Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Domain Adaptation for Sequential Detection

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F13%3A00211713" target="_blank" >RIV/68407700:21230/13:00211713 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://cmp.felk.cvut.cz/pub/cmp/articles/fojtusim/Fojtu-POSTER-2013.pdf" target="_blank" >http://cmp.felk.cvut.cz/pub/cmp/articles/fojtusim/Fojtu-POSTER-2013.pdf</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Domain Adaptation for Sequential Detection

  • Popis výsledku v původním jazyce

    We propose a domain adaptation method for sequential decision-making process, which is suitable for real-time processing. The work is motivated by applications in surveillance, where detectors must be adapted to new observation conditions. We address thesituation, where the new observation is related to the previous observation by a parametric transformation. We propose a learning procedure, which reveals the hidden transformation between the old and new data. The transformation essentially allows to transfer the knowledge from the old data to the new one. We show that our method can achieve a 60% speedup in the training w.r.t. the baseline WaldBoost algorithm while outperforming it in precision.

  • Název v anglickém jazyce

    Domain Adaptation for Sequential Detection

  • Popis výsledku anglicky

    We propose a domain adaptation method for sequential decision-making process, which is suitable for real-time processing. The work is motivated by applications in surveillance, where detectors must be adapted to new observation conditions. We address thesituation, where the new observation is related to the previous observation by a parametric transformation. We propose a learning procedure, which reveals the hidden transformation between the old and new data. The transformation essentially allows to transfer the knowledge from the old data to the new one. We show that our method can achieve a 60% speedup in the training w.r.t. the baseline WaldBoost algorithm while outperforming it in precision.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    JD - Využití počítačů, robotika a její aplikace

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2013

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    POSTER 2013 - 17th International Student Conference on Electrical Engineering

  • ISBN

    978-80-01-05242-6

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    5

  • Strana od-do

    1-5

  • Název nakladatele

    Czech Technical University

  • Místo vydání

    Prague

  • Místo konání akce

    Prague

  • Datum konání akce

    16. 5. 2013

  • Typ akce podle státní příslušnosti

    EUR - Evropská akce

  • Kód UT WoS článku