Deep Shape Matching

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F18%3A00325476" target="_blank" >RIV/68407700:21230/18:00325476 - isvavai.cz</a>

Výsledek na webu

<a href="http://cmp.felk.cvut.cz/~radenfil/publications/Radenovic-ECCV18.pdf" target="_blank" >http://cmp.felk.cvut.cz/~radenfil/publications/Radenovic-ECCV18.pdf</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-01228-1_46" target="_blank" >10.1007/978-3-030-01228-1_46</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Deep Shape Matching

Popis výsledku v původním jazyce

We cast shape matching as metric learning with convolutional networks. We break the end-to-end process of image representation into two parts. Firstly, well established efficient methods are chosen to turn the images into edge maps. Secondly, the network is trained with edge maps of landmark images, which are automatically obtained by a structure-from-motion pipeline. The learned representation is evaluated on a range of different tasks, providing improvements on challenging cases of domain generalization, generic sketch-based image retrieval or its fine-grained counterpart. In contrast to other methods that learn a different model per task, object category, or domain, we use the same network throughout all our experiments, achieving state-of-the-art results in multiple benchmarks.

Název v anglickém jazyce

Deep Shape Matching

Popis výsledku anglicky

We cast shape matching as metric learning with convolutional networks. We break the end-to-end process of image representation into two parts. Firstly, well established efficient methods are chosen to turn the images into edge maps. Secondly, the network is trained with edge maps of landmark images, which are automatically obtained by a structure-from-motion pipeline. The learned representation is evaluated on a range of different tasks, providing improvements on challenging cases of domain generalization, generic sketch-based image retrieval or its fine-grained counterpart. In contrast to other methods that learn a different model per task, object category, or domain, we use the same network throughout all our experiments, achieving state-of-the-art results in multiple benchmarks.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/LL1303" target="_blank" >LL1303: Vyhledávání vizuálních kategorií ve velkém množství obrázků</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2018

Kód důvěrnosti údajů

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

Název statě ve sborníku

ECCV2018: Proceedings of the European Conference on Computer Vision, Part V

ISBN

978-3-030-01227-4

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

18

Strana od-do

774-791

Název nakladatele

Springer, Cham

Místo vydání

—

Místo konání akce

Munich

Datum konání akce

8. 9. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—