Klasifikace dopravních značek založená na míře podobnosti zkoumaného objektu k třídě reprezentované typickou značkou
Identifikátory výsledku
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
—
Alternativní jazyky
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
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
BB - Aplikovaná statistika, operační výzkum
OECD FORD obor
—
Návaznosti výsledku
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)
Ostatní
Rok uplatnění
2006
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
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
—