This HTML5 document contains 34 embedded RDF statements represented using HTML+Microdata notation.

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

Namespace Prefixes

PrefixIRI
n12http://linked.opendata.cz/ontology/domain/vavai/cep/druhSouteze/
n21http://linked.opendata.cz/ontology/domain/vavai/cep/zivotniCyklusProjektu/
n8http://linked.opendata.cz/ontology/domain/vavai/cep/typPojektu/
dctermshttp://purl.org/dc/terms/
n2http://linked.opendata.cz/resource/domain/vavai/projekt/
n18http://linked.opendata.cz/resource/domain/vavai/subjekt/
n6http://linked.opendata.cz/resource/domain/vavai/cep/prideleniPodpory/
n13http://linked.opendata.cz/ontology/domain/vavai/cep/kategorie/
n11http://linked.opendata.cz/ontology/domain/vavai/
n16http://linked.opendata.cz/ontology/domain/vavai/cep/duvernostUdaju/
skoshttp://www.w3.org/2004/02/skos/core#
rdfshttp://www.w3.org/2000/01/rdf-schema#
n15http://linked.opendata.cz/ontology/domain/vavai/cep/fazeProjektu/
n7http://linked.opendata.cz/ontology/domain/vavai/cep/obor/
n14http://linked.opendata.cz/resource/domain/vavai/soutez/
n20http://linked.opendata.cz/ontology/domain/vavai/cep/statusZobrazovaneFaze/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
xsdhhttp://www.w3.org/2001/XMLSchema#
n3http://linked.opendata.cz/ontology/domain/vavai/cep/
n10http://linked.opendata.cz/resource/domain/vavai/projekt/LL1303/
n19http://linked.opendata.cz/resource/domain/vavai/aktivita/
n4http://reference.data.gov.uk/id/gregorian-year/

Statements

Subject Item
n2:LL1303
rdf:type
n11:Projekt
rdfs:seeAlso
http://www.isvav.cz/projectDetail.do?rowId=LL1303
dcterms: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. 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.
dcterms:title
Vyhledávání vizuálních kategorií ve velkém množství obrázků Large Scale Category Retrieval
skos:notation
LL1303
n3:aktivita
n19:LL
n3:celkovaStatniPodpora
n10:celkovaStatniPodpora
n3:celkoveNaklady
n10:celkoveNaklady
n3:datumDodatniDoRIV
2015-02-16+01:00
n3:druhSouteze
n12:VS
n3:duvernostUdaju
n16:S
n3:fazeProjektu
n15:101143671
n3:hlavniObor
n7:IN
n3:kategorie
n13:ZV
n3:klicovaSlova
category localization large scale image collections
n3:partnetrHlavni
n18:orjk%3A21230
n3:pocetKoordinujicichPrijemcu
0
n3:pocetPrijemcu
1
n3:pocetSpoluPrijemcu
0
n3:pocetVysledkuRIV
6
n3:pocetZverejnenychVysledkuVRIV
6
n3:posledniUvolneniVMinulemRoce
2014-01-31+01:00
n3:prideleniPodpory
n6:MSMT-24083%2F2013
n3:sberDatUcastniciPoslednihoRoku
n4:2015
n3:sberDatUdajeProjZameru
n4:2015
n3:soutez
n14:SMSM2013LL1
n3:statusZobrazovaneFaze
n20:DRRVB
n3:typPojektu
n8:P
n3:ukonceniReseni
2018-06-30+02:00
n3:vedlejsiObor
n7:JD
n3:zahajeniReseni
2013-07-01+02:00
n3:zivotniCyklusProjektu
n21:ZBB