Bark recognition using novel rotationally invariant multispectral textural features

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F19%3A00506602" target="_blank" >RIV/67985556:_____/19:00506602 - isvavai.cz</a>

Výsledek na webu

<a href="https://www.sciencedirect.com/science/article/pii/S0167865519301886" target="_blank" >https://www.sciencedirect.com/science/article/pii/S0167865519301886</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1016/j.patrec.2019.06.027" target="_blank" >10.1016/j.patrec.2019.06.027</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Bark recognition using novel rotationally invariant multispectral textural features

Popis výsledku v původním jazyce

We present novel rotationally invariant fully multispectral Markovian textural features applied for the efficient tree bark recognition. These textural features are derived from the novel descriptive multispectral spiral wide-sense Markov model. Unlike the alternative bark recognition methods based on various gray-scale discriminative textural descriptions, we benefit from fully descriptive color, rotationally invariant bark texture representation. The proposed methods significantly outperform the state-of-the-art bark recognition approaches regarding classification accuracy. Both our classifiers outperform convolutional neural network ResNet even on the largest public bark database BarkNet which contains 23 000 high-resolution images from 23 different tree species.

Název v anglickém jazyce

Bark recognition using novel rotationally invariant multispectral textural features

Popis výsledku anglicky

We present novel rotationally invariant fully multispectral Markovian textural features applied for the efficient tree bark recognition. These textural features are derived from the novel descriptive multispectral spiral wide-sense Markov model. Unlike the alternative bark recognition methods based on various gray-scale discriminative textural descriptions, we benefit from fully descriptive color, rotationally invariant bark texture representation. The proposed methods significantly outperform the state-of-the-art bark recognition approaches regarding classification accuracy. Both our classifiers outperform convolutional neural network ResNet even on the largest public bark database BarkNet which contains 23 000 high-resolution images from 23 different tree species.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

20202 - Communication engineering and systems

Projekt

<a href="/cs/project/GA19-12340S" target="_blank" >GA19-12340S: Rozpoznávání povrchových materiálů při proměnlivých podmínkách optického pozorování</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2019

Kód důvěrnosti údajů

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

Název periodika

Pattern Recognition Letters

ISSN

0167-8655

e-ISSN

—

Svazek periodika

125

Číslo periodika v rámci svazku

1

Stát vydavatele periodika

NL - Nizozemsko

Počet stran výsledku

6

Strana od-do

612-617

Kód UT WoS článku

000482374500084

EID výsledku v databázi Scopus

2-s2.0-85068558335