Kernel-mapped Histograms of Multi-scale LBPs for Tree Bark Recognition

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F13%3A00211358" target="_blank" >RIV/68407700:21230/13:00211358 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1109/IVCNZ.2013.6726996" target="_blank" >http://dx.doi.org/10.1109/IVCNZ.2013.6726996</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/IVCNZ.2013.6726996" target="_blank" >10.1109/IVCNZ.2013.6726996</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Kernel-mapped Histograms of Multi-scale LBPs for Tree Bark Recognition

Popis výsledku v původním jazyce

We propose a novel method for tree bark identification by SVM classification of feature-mapped multi-scale descriptors formed by concatenated histograms of Local Binary Patterns (LBPs). A feature map approximating the histogram intersection kernel significantly improves the methods accuracy. Contrary to common practice, we use the full 256 bin LBP histogram rather than the standard 59 bin histogram of uniform LBPs and obtain superior results. Robustness to scale changes is handled by forming multiple multi-scale descriptors. Experiments conducted on a standard dataset show 96.5% accuracy using ten-fold cross validation. Using the standard 15 training examples per class, the proposed method achieves a recognition rate of 82.5% and significantly outperforms both the state-of-the-art automatic recognition rate of 64.2% and human experts with recognition rates of 56.6% and 77.8%. Experiments on standard texture datasets confirm that the proposed method is suitable for general texture recog

Název v anglickém jazyce

Kernel-mapped Histograms of Multi-scale LBPs for Tree Bark Recognition

Popis výsledku anglicky

We propose a novel method for tree bark identification by SVM classification of feature-mapped multi-scale descriptors formed by concatenated histograms of Local Binary Patterns (LBPs). A feature map approximating the histogram intersection kernel significantly improves the methods accuracy. Contrary to common practice, we use the full 256 bin LBP histogram rather than the standard 59 bin histogram of uniform LBPs and obtain superior results. Robustness to scale changes is handled by forming multiple multi-scale descriptors. Experiments conducted on a standard dataset show 96.5% accuracy using ten-fold cross validation. Using the standard 15 training examples per class, the proposed method achieves a recognition rate of 82.5% and significantly outperforms both the state-of-the-art automatic recognition rate of 64.2% and human experts with recognition rates of 56.6% and 77.8%. Experiments on standard texture datasets confirm that the proposed method is suitable for general texture recog

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

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

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2013

Kód důvěrnosti údajů

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

Název statě ve sborníku

28th International Conference of Image and Vision Computing New Zealand (IVCNZ 2013)

ISBN

978-1-4799-0882-0

ISSN

2151-2191

e-ISSN

—

Počet stran výsledku

6

Strana od-do

82-87

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Wellington

Datum konání akce

27. 11. 2013

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—