About: Large Scale Category Retrieval     Goto   Sponge   Distinct   Permalink

An Entity of Type : http://linked.opendata.cz/ontology/domain/vavai/Projekt, within Data Space : linked.opendata.cz associated with source document(s)

AttributesValues
rdf:type
rdfs:seeAlso
Description
  • The main goal of the project is to scale the category-object retrieval to large databases. To achieve this, a suitable image representation for indexing will be built. To this end, the following will be investigated: Design of novel local features and feature classes, and suitable descriptors that enable both fast indexing and have discriminative power for verification. Machine learning approaches to learn features and descriptors from a large amounts of training data. The data will be obtained in an unsupervised manner through large-scale mining The following issues will be investigated for the category model learning and detection stages: Category models capable of capturing intra-class variation will be studied. Methods for a transition from generative to discriminative models will be investigated. Algorithms for fast scoring eliminating a majority of false candidates and preserving most of the instances of the category will be investigated. We will pursue hypothesize and verify algorithms with sequential verification focusing on the speed v. quality of the decision trade-off. Special attention will be paid to spatial or topological distribution of object parts. On the high-level side we plan to tackle the following: Performance boosting by incremental model update from novel examples detected from unlabelled data. Mining for commonly appearing category-like structures. (en)
  • Hlavním cílem projektu je vyhledávání kategorií objektů ve velkých obrazových databázích. K dosažní tohoto cíle vyvineme reprezentaci obrázků vhodnou pro indexování. Následující podproblémy budou zkoumány: návrh nových typů lokálních oblastí zájmu a vhodných deskriptorů, které budou vhodné pro indexování a zároveň budou dostatečně diskriminativní pro ověřování. Metody strojového učení budou aplikovány k naučení detektorů bodů zájmu a deskriptorů z velkého množství trénovacích dat. Trénovací data budou získána automaticky za pomoci vytěžování z velkých kolekcí dat. Při učení modelu kategorií a při detekci modelů budeme studovat: modely zachycující variaci v rámci jedné třídy a metody přechodu od generativních modelů k modelům diskriminativním. Algoritmy pro rychlé skórování, které eliminují většinu chybných kandidátů a současně zachovají většinu instancí objektů hledané kategorie budou studovány. Budeme vyvíjet algoritmy typu hypotéza a verifikace se sekvenčním rozhodováním s důrazem na vztah mezi rychlostí a kvalitou rozhodnutí. Zvláštní pozornost bude věnována verifikaci pomocí geometrické a topologické distribuce oblastí zájmu. Na vyšší úrovni abstrakce plánujeme zkoumat zvyšování kvality vyhledávání pomocí inkrementálního vylepšování modelu z nových příkladů nalezených v neoznačených datech, a vytěžování často se vyskytujících struktur reprezentujících kategorii objektů.
Title
  • Large Scale Category Retrieval (en)
  • Vyhledávání vizuálních kategorií ve velkém množství obrázků
skos:notation
  • LL1303
http://linked.open...avai/cep/aktivita
http://linked.open...kovaStatniPodpora
http://linked.open...ep/celkoveNaklady
http://linked.open...datumDodatniDoRIV
http://linked.open...i/cep/druhSouteze
http://linked.open...ep/duvernostUdaju
http://linked.open.../cep/fazeProjektu
http://linked.open...ai/cep/hlavniObor
http://linked.open...vai/cep/kategorie
http://linked.open.../cep/klicovaSlova
  • category localization large scale image collections (en)
http://linked.open...ep/partnetrHlavni
http://linked.open...inujicichPrijemcu
http://linked.open...cep/pocetPrijemcu
http://linked.open...ocetSpoluPrijemcu
http://linked.open.../pocetVysledkuRIV
http://linked.open...enychVysledkuVRIV
http://linked.open...lneniVMinulemRoce
http://linked.open.../prideleniPodpory
http://linked.open...iciPoslednihoRoku
http://linked.open...atUdajeProjZameru
http://linked.open.../vavai/cep/soutez
http://linked.open...usZobrazovaneFaze
http://linked.open...ai/cep/typPojektu
http://linked.open...ep/ukonceniReseni
http://linked.open.../cep/vedlejsiObor
http://linked.open...ep/zahajeniReseni
http://linked.open...tniCyklusProjektu
is http://linked.open...vavai/riv/projekt of
is http://linked.open...vavai/cep/projekt of
Faceted Search & Find service v1.16.118 as of Jun 21 2024


Alternative Linked Data Documents: ODE     Content Formats:   [cxml] [csv]     RDF   [text] [turtle] [ld+json] [rdf+json] [rdf+xml]     ODATA   [atom+xml] [odata+json]     Microdata   [microdata+json] [html]    About   
This material is Open Knowledge   W3C Semantic Web Technology [RDF Data] Valid XHTML + RDFa
OpenLink Virtuoso version 07.20.3240 as of Jun 21 2024, on Linux (x86_64-pc-linux-gnu), Single-Server Edition (126 GB total memory, 26 GB memory in use)
Data on this page belongs to its respective rights holders.
Virtuoso Faceted Browser Copyright © 2009-2024 OpenLink Software