Transfer Learning of Mixture Texture Models

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F20%3A00535433" target="_blank" >RIV/67985556:_____/20:00535433 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/61384399:31160/20:00056427

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-030-63007-2_65" target="_blank" >http://dx.doi.org/10.1007/978-3-030-63007-2_65</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-63007-2_65" target="_blank" >10.1007/978-3-030-63007-2_65</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Transfer Learning of Mixture Texture Models

Popis výsledku v původním jazyce

A transfer learning approach for multidimensional parametric mixture random field-based textural representation is introduced. The proposed transfer learning approach allows alleviating the multidimensional mixture models requirement for sufficiently large, but not always available, learning data sets. These compound random field models consist of an underlying structure model that controls transitions between several sub-models, each of them has different characteristics. The structure model proposed is a two-dimensional probabilistic mixture model, either of the Bernoulli or Gaussian mixture type. Local textures are modeled using the fully multispectral three-dimensional Gaussian mixture sub-models. Both presented compound random field models allow the reproduction of, compresses, edits, and enlarges a given measured color, multispectral, or bidirectional texture function (BTF) texture so that ideally, both measured and synthetic textures are visually indiscernible.

Název v anglickém jazyce

Transfer Learning of Mixture Texture Models

Popis výsledku anglicky

A transfer learning approach for multidimensional parametric mixture random field-based textural representation is introduced. The proposed transfer learning approach allows alleviating the multidimensional mixture models requirement for sufficiently large, but not always available, learning data sets. These compound random field models consist of an underlying structure model that controls transitions between several sub-models, each of them has different characteristics. The structure model proposed is a two-dimensional probabilistic mixture model, either of the Bernoulli or Gaussian mixture type. Local textures are modeled using the fully multispectral three-dimensional Gaussian mixture sub-models. Both presented compound random field models allow the reproduction of, compresses, edits, and enlarges a given measured color, multispectral, or bidirectional texture function (BTF) texture so that ideally, both measured and synthetic textures are visually indiscernible.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control 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

2020

Kód důvěrnosti údajů

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

Název statě ve sborníku

Computational Collective Intelligence

ISBN

978-3-030-63006-5

ISSN

0302-9743

e-ISSN

1611-3349

Počet stran výsledku

13

Strana od-do

825-837

Název nakladatele

Springer Nature Switzerland AG

Místo vydání

Cham

Místo konání akce

Da Nang

Datum konání akce

30. 11. 2020

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—