*Sharing local information in scanning-window detection

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F14%3A00223835" target="_blank" >RIV/68407700:21230/14:00223835 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

*Sharing local information in scanning-window detection

Popis výsledku v původním jazyce

*Object detection is a classic task in computer vision. WaldBoost algorithm is a state-of-the-art method for object detection due its high detection accuracy and real-time speed. However, since the traditional scanning window method classifies all the windows independently and doesn't make use of the information shared among overlapping windows,there is still a possibility of a significant speed-up by exploiting this property. We evaluate number of scanning patterns and predictors for spatially adjacentwindows, inspired by work of Hradiš et. al. Furthermore, we generalize this idea from spatially adjacent widows to multiple scales and propose {WaldBoost with Crosstalk Prediction}. Evaluating on a state-of-the-art dataset for face detection, we show that a significant speed-up can be achieved with {WaldBoost with Crosstalk Prediction} with no or a little loss of precision, outperforming the reference method of Hradiš et. al.

Název v anglickém jazyce

*Sharing local information in scanning-window detection

Popis výsledku anglicky

*Object detection is a classic task in computer vision. WaldBoost algorithm is a state-of-the-art method for object detection due its high detection accuracy and real-time speed. However, since the traditional scanning window method classifies all the windows independently and doesn't make use of the information shared among overlapping windows,there is still a possibility of a significant speed-up by exploiting this property. We evaluate number of scanning patterns and predictors for spatially adjacentwindows, inspired by work of Hradiš et. al. Furthermore, we generalize this idea from spatially adjacent widows to multiple scales and propose {WaldBoost with Crosstalk Prediction}. Evaluating on a state-of-the-art dataset for face detection, we show that a significant speed-up can be achieved with {WaldBoost with Crosstalk Prediction} with no or a little loss of precision, outperforming the reference method of Hradiš et. al.

Druh

V_souhrn - Souhrnná výzkumná zpráva

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

—

Návaznosti

N - Vyzkumna aktivita podporovana z neverejnych zdroju

Rok uplatnění

2014

Kód důvěrnosti údajů

C - Předmět řešení projektu podléhá obchodnímu tajemství (§ 504 Občanského zákoníku), ale název projektu, cíle projektu a u ukončeného nebo zastaveného projektu zhodnocení výsledku řešení projektu (údaje P03, P04, P15, P19, P29, PN8) dodané do CEP, jsou upraveny tak, aby byly zveřejnitelné.

Počet stran výsledku

11

Místo vydání

Praha

Název nakladatele resp. objednatele

Toyota Motor Europe NV/SA TMEM

Verze

—