A Simple Stochastic Algorithm for Structural Features Learning
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F15%3A00230194" target="_blank" >RIV/68407700:21230/15:00230194 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-319-16634-6_4" target="_blank" >http://dx.doi.org/10.1007/978-3-319-16634-6_4</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-16634-6_4" target="_blank" >10.1007/978-3-319-16634-6_4</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
A Simple Stochastic Algorithm for Structural Features Learning
Popis výsledku v původním jazyce
A conceptually very simple unsupervised algorithm for learning structure in the form of a hierarchical probabilistic model is described in this paper. The proposed probabilistic model can easily work with any type of image primitives such as edge segments, non-max-suppressed filter set responses, texels, distinct image regions, SIFT features, etc., and is even capable of modelling non-rigid and/or visually variable objects. The model has recursive form and consists of sets of simple and gradually growing sub-models that are shared and learned individually in layers. The proposed probabilistic framework enables to exactly compute the probability of presence of a certain model, regardless on which layer it actually is. All these learned models constitutea rich set of independent structure elements of variable complexity that can be used as features in various recognition tasks.
Název v anglickém jazyce
A Simple Stochastic Algorithm for Structural Features Learning
Popis výsledku anglicky
A conceptually very simple unsupervised algorithm for learning structure in the form of a hierarchical probabilistic model is described in this paper. The proposed probabilistic model can easily work with any type of image primitives such as edge segments, non-max-suppressed filter set responses, texels, distinct image regions, SIFT features, etc., and is even capable of modelling non-rigid and/or visually variable objects. The model has recursive form and consists of sets of simple and gradually growing sub-models that are shared and learned individually in layers. The proposed probabilistic framework enables to exactly compute the probability of presence of a certain model, regardless on which layer it actually is. All these learned models constitutea rich set of independent structure elements of variable complexity that can be used as features in various recognition tasks.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
JD - Využití počítačů, robotika a její aplikace
OECD FORD obor
—
Návaznosti výsledku
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)
Ostatní
Rok uplatnění
2015
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the ACCV2014 Workshop: the International Workshop on Feature and Similarity Learning for Computer Vision 2014 (FSLCV 2014)
ISBN
978-3-319-16633-9
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
12
Strana od-do
44-55
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
Singapore
Datum konání akce
1. 11. 2014
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000362453400004