Exploiting Features - Locally Interleaved Sequential Alignment for Object Detection

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F13%3A00212523" target="_blank" >RIV/68407700:21230/13:00212523 - isvavai.cz</a>

Výsledek na webu

<a href="http://cmp.felk.cvut.cz/pub/cmp/articles/hurycd1/hurych-accv2012.pdf" target="_blank" >http://cmp.felk.cvut.cz/pub/cmp/articles/hurycd1/hurych-accv2012.pdf</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-642-37331-2_34" target="_blank" >10.1007/978-3-642-37331-2_34</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Exploiting Features - Locally Interleaved Sequential Alignment for Object Detection

Popis výsledku v původním jazyce

We exploit image features multiple times in order to make sequential decision process faster and better performing. In the decision process features providing knowledge about the object presence or absence in a given detection window are successively evaluated. We show that these features also provide information about object position within the evaluated window. The classification process is sequentially interleaved with estimating the correct position. The position estimate is used for steering the features yet to be evaluated. This locally interleaved sequential alignment (LISA) allows to run an object detector on sparser grid which speeds up the process. The position alignment is jointly learned with the detector. We achieve a better detection ratesince the method allows for training the detector on perfectly aligned image samples. For estimation of the alignment we propose a learnable regressor that approximates a non-linear regression function and runs in ne2076-1465gligible tim

Název v anglickém jazyce

Exploiting Features - Locally Interleaved Sequential Alignment for Object Detection

Popis výsledku anglicky

We exploit image features multiple times in order to make sequential decision process faster and better performing. In the decision process features providing knowledge about the object presence or absence in a given detection window are successively evaluated. We show that these features also provide information about object position within the evaluated window. The classification process is sequentially interleaved with estimating the correct position. The position estimate is used for steering the features yet to be evaluated. This locally interleaved sequential alignment (LISA) allows to run an object detector on sparser grid which speeds up the process. The position alignment is jointly learned with the detector. We achieve a better detection ratesince the method allows for training the detector on perfectly aligned image samples. For estimation of the alignment we propose a learnable regressor that approximates a non-linear regression function and runs in ne2076-1465gligible tim

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)

Rok uplatnění

2013

Kód důvěrnosti údajů

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

Název statě ve sborníku

Computer Vision - ACCV 2012, 11th Asian Conference on Computer Vision, Part 1

ISBN

978-3-642-37330-5

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

14

Strana od-do

446-459

Název nakladatele

Springer

Místo vydání

Heidelberg

Místo konání akce

Daejeon

Datum konání akce

5. 11. 2013

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—