A Simple Stochastic Algorithm for Structural Features Learning

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>

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.

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

2015

Kód důvěrnosti údajů

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

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