Non-Rigid Object Detection with Local Interleaved Sequential Alignment (LISA)

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F14%3A00217382" target="_blank" >RIV/68407700:21230/14:00217382 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1109/TPAMI.2013.171" target="_blank" >http://dx.doi.org/10.1109/TPAMI.2013.171</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/TPAMI.2013.171" target="_blank" >10.1109/TPAMI.2013.171</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Non-Rigid Object Detection with Local Interleaved Sequential Alignment (LISA)

Popis výsledku v původním jazyce

This paper shows that the successively evaluated features used in a sliding window detection process to decide about object presence/absence also contain knowledge about object deformation. We exploit these detection features to estimate the object deformation. Estimated deformation is then immediately applied to not yet evaluated features to align them with the observed image data. In our approach, the alignment estimators are jointly learned with the detector. The joint process allows for the learningof each detection stage from less deformed training samples than in the previous stage. For the alignment estimation we propose regressors that approximate non-linear regression functions and compute the alignment parameters extremely fast.

Název v anglickém jazyce

Non-Rigid Object Detection with Local Interleaved Sequential Alignment (LISA)

Popis výsledku anglicky

This paper shows that the successively evaluated features used in a sliding window detection process to decide about object presence/absence also contain knowledge about object deformation. We exploit these detection features to estimate the object deformation. Estimated deformation is then immediately applied to not yet evaluated features to align them with the observed image data. In our approach, the alignment estimators are jointly learned with the detector. The joint process allows for the learningof each detection stage from less deformed training samples than in the previous stage. For the alignment estimation we propose regressors that approximate non-linear regression functions and compute the alignment parameters extremely fast.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

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

2014

Kód důvěrnosti údajů

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

Název periodika

IEEE Transactions on Pattern Analysis and Machine Intelligence

ISSN

0162-8828

e-ISSN

—

Svazek periodika

36

Číslo periodika v rámci svazku

4

Stát vydavatele periodika

US - Spojené státy americké

Počet stran výsledku

13

Strana od-do

731-743

Kód UT WoS článku

000334109000008

EID výsledku v databázi Scopus

—