Klasifikace dopravních značek založená na míře podobnosti zkoumaného objektu k třídě reprezentované typickou značkou

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F06%3A00041079" target="_blank" >RIV/67985556:_____/06:00041079 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/61384399:31160/06:00025099

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Building Road-Sign Classifiers Using a Trainable Similarity Measure

Popis výsledku v původním jazyce

A frequently used strategy for road sign classification is based on the normalized cross-correlation similarity to class prototypes followed by the nearest neighbor classifier. Because of the global nature of the cross-correlation similarity, this methodsuffers from presence of uninformative pixels (caused e.g. by occlusions), and is computationally demanding. In this paper, a novel concept of a trainable similarity measure is introduced which alleviates these shortcomings. The similarity is based on individual matches in a set of local image regions. The set of regions, relevant for a particular similarity assessment, is refined by the training process. It is illustrated on a set of experiments with road sign classification problems that the trainable similarity yields high-performance data representations and classifiers. Apart from a multi-class classification accuracy, also non-sign rejection capability, and computational demands in execution are discussed. It appears that the tra

Název v anglickém jazyce

Building Road-Sign Classifiers Using a Trainable Similarity Measure

Popis výsledku anglicky

A frequently used strategy for road sign classification is based on the normalized cross-correlation similarity to class prototypes followed by the nearest neighbor classifier. Because of the global nature of the cross-correlation similarity, this methodsuffers from presence of uninformative pixels (caused e.g. by occlusions), and is computationally demanding. In this paper, a novel concept of a trainable similarity measure is introduced which alleviates these shortcomings. The similarity is based on individual matches in a set of local image regions. The set of regions, relevant for a particular similarity assessment, is refined by the training process. It is illustrated on a set of experiments with road sign classification problems that the trainable similarity yields high-performance data representations and classifiers. Apart from a multi-class classification accuracy, also non-sign rejection capability, and computational demands in execution are discussed. It appears that the tra

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

BB - Aplikovaná statistika, operační výzkum

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2006

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

IEEE Transactions on Intelligent Transportation Systems

ISSN

1524-9050

e-ISSN

—

Svazek periodika

7

Číslo periodika v rámci svazku

3

Stát vydavatele periodika

US - Spojené státy americké

Počet stran výsledku

13

Strana od-do

309-321

Kód UT WoS článku

—

EID výsledku v databázi Scopus

—