This HTML5 document contains 26 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
n14http://linked.opendata.cz/resource/domain/vavai/cep/kategorie/
n6http://linked.opendata.cz/resource/domain/vavai/cep/soutez/
dctermshttp://purl.org/dc/terms/
n13http://linked.opendata.cz/resource/domain/vavai/cep/aktivita/
n4http://linked.opendata.cz/ontology/domain/vavai/
n7http://linked.opendata.cz/resource/domain/vavai/cep/obor/
n8http://linked.opendata.cz/resource/domain/vavai/cep/druh-souteze/
n11http://linked.opendata.cz/resource/domain/vavai/cep/smlouva/P103/10/
n10http://linked.opendata.cz/resource/domain/vavai/cep/faze/
n2http://linked.opendata.cz/resource/domain/vavai/cep/projekt/GA0/GAP103/10/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
n12http://linked.opendata.cz/resource/domain/vavai/cep/typ/
n5http://linked.opendata.cz/resource/domain/vavai/cep/poskytovatel/
xsdhhttp://www.w3.org/2001/XMLSchema#
n9http://linked.opendata.cz/resource/domain/vavai/cep/business-entity/

Statements

Subject Item
n2:1585
rdf:type
n4:Projekt
dcterms:description
Visual tracking is the process of repeated estimation of the state ofan object (e.g. position) given state(s) in previous frame(s). Theproject contributes to the very timely topic of visual recognitionwith applications ranging from image/video based indexing acrossvisual navigator for cars and visual aid for impaired people tohomeland security in visual surveillance applications. We willcontribute in the realm of regression based detectors. We will work ona low-dimensional parameterization of changing appearance and onexplicit formalization of precision/failure trade-off. Considering theforeseen real-time applications we want to develop any-time/on-linelearning algorithm. Finally, we will extend the original trackingformulation of learning to the registration/detection area. Automatická detekce a sledování objektů ve videu je klíčem k mnoha aplikacím současnosti jako databázová indexace video archívů, navigace autonomních vozidel, či osobní vizuální navigátor-pomocník. Tento projekt přispívá k poznání v oblasti učících se detektorů, kde vstupují neorganizované kolekce obrazů. Základním principem je učení zobrazení (prediktoru) z prostoru obrazu do prostoru parametrů. Chceme přispět ve dvou hlavních oblastech. Vyvineme učící algoritmus, který se naučí nízkoparametrickou reprezentaci změn vzhledu. Druhou hlavní oblastí, na kterou se zaměříme bude rychlost učení. Budeme pracovat na tzv. any-time algoritmu, který je schopný dodat použitelný výsledek v jakoukoli dobu a postupně zpřesňuje výsledek, pokud má dost času. Přiučování během sledování by pak mělo pomoci při dlouhotrvajících úlohách udržet stabilitu. Třetí oblastí výzkumu bude vývoj detektoru.
dcterms:title
Advanced predictors for object detection and tracking in video Pokročilé prediktory pro detekci a sledování objektů ve videu
n4:cislo-smlouvy
n11:1585
n4:druh-souteze
n8:VS
n4:faze
n10:54233915
n4:hlavni-obor
n7:IN
n4:vedlejsi-obor
n7:JD
n4:hlavni-ucastnik
n9:orjk-21230
n4:id-aktivity
n13:GA
n4:id-souteze
n6:SGA02010GA-ST
n4:kategorie
n14:1
n4:klicova-slova
predictor, regression, detection, tracking, machine learning
n4:konec-reseni
2013-12-31+01:00
n4:pocet-koordinujicich-prijemcu
0
n4:poskytovatel
n5:GA0
n4:start-reseni
2010-01-01+01:00
n4:statni-podpora
3824
n4:typProjektu
n12:P
n4:uznane-naklady
3824
n4:pocet-prijemcu
1
n4:pocet-spoluprijemcu
0
n4:pocet-vysledku
13
n4:pocet-vysledku-zverejnovanych
13