Domain Adaptation for Sequential Detection

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F13%3A00211717" target="_blank" >RIV/68407700:21230/13:00211717 - isvavai.cz</a>

Výsledek na webu

<a href="http://link.springer.com/chapter/10.1007/978-3-642-38886-6_21" target="_blank" >http://link.springer.com/chapter/10.1007/978-3-642-38886-6_21</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-642-38886-6_21" target="_blank" >10.1007/978-3-642-38886-6_21</a>

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. While most of the state-of-the-art approaches focus on SVM detectors, we propose the domain adaptation method for the sequential detector similar to WaldBoost, 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 the situation, 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 a60% 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. While most of the state-of-the-art approaches focus on SVM detectors, we propose the domain adaptation method for the sequential detector similar to WaldBoost, 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 the situation, 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 a60% speedup in the training w.r.t.~the baseline WaldBoost algorithm while outperforming it in precision.

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

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>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

SCIA 2013: Proceedings of the 18th Scandinavian Conference on Image Analysis

ISBN

978-3-642-38885-9

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

10

Strana od-do

215-224

Název nakladatele

Springer

Místo vydání

Heidelberg

Místo konání akce

Espoo

Datum konání akce

17. 6. 2013

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—