Towards Learning Hierarchical Compositional Models in the Presence of Clutter

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F13%3A00212542" target="_blank" >RIV/68407700:21230/13:00212542 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-642-41181-6_54" target="_blank" >http://dx.doi.org/10.1007/978-3-642-41181-6_54</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-642-41181-6_54" target="_blank" >10.1007/978-3-642-41181-6_54</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Towards Learning Hierarchical Compositional Models in the Presence of Clutter

Popis výsledku v původním jazyce

Our goal is to identify hierarchical compositional models from highly cluttered data. The data to learn from are assumed to be imperfect in two respects. Firstly, large portion of the data is coming from background clutter. Secondly, data generated by arecursive compositional model are subject to random replacements of correct descendants by randomly chosen ones at every level of the hierarchy. In this paper, we study the limits and capabilities of an approach which is based on likelihood maximization.The algorithm makes explicit probabilistic assignments of individual data to compositional model and background clutter. It uses these assignments to effectively focus on the data coming from the compositional model and iteratively estimate their compositional structure.

Název v anglickém jazyce

Towards Learning Hierarchical Compositional Models in the Presence of Clutter

Popis výsledku anglicky

Our goal is to identify hierarchical compositional models from highly cluttered data. The data to learn from are assumed to be imperfect in two respects. Firstly, large portion of the data is coming from background clutter. Secondly, data generated by arecursive compositional model are subject to random replacements of correct descendants by randomly chosen ones at every level of the hierarchy. In this paper, we study the limits and capabilities of an approach which is based on likelihood maximization.The algorithm makes explicit probabilistic assignments of individual data to compositional model and background clutter. It uses these assignments to effectively focus on the data coming from the compositional model and iteratively estimate their compositional structure.

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

<a href="/cs/project/GAP103%2F12%2F1578" target="_blank" >GAP103/12/1578: Strukturní a sémantické modelování architektury jako problém interpretace digitálního obrazu</a><br>

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

Image Analysis and Processing - ICIAP 2013

ISBN

978-3-642-41180-9

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

10

Strana od-do

532-541

Název nakladatele

Springer

Místo vydání

Heidelberg

Místo konání akce

Naples

Datum konání akce

9. 9. 2013

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—