Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: objects recognition

Sortuj według:

Ogranicz wyniki do:

Tensor and vector approaches to objects recognition by inverse feature filters

Kvyetnyy Roman, Bunyak Yuriy, Sofina Olga, Kotsiubynskyi Volodymyr, Piliavoz Tetiana, Stoliarenko Olena, Kumargazhanova Saule

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2024

T. 14, nr 1

41--45

The investigation of the extraction of image objects features by filters based on tensor and vector data presentation is considered. The tensor data is obtained as a sum of rank-one tensors, given by the tensor product of the vector of lexicographic representation of image fragments pixels with itself. The accumulated tensor is approximated by one rank tensor obtained using singular values decomposition. It has been shown that the main vector of the decomposition can be considered as the object feature vector. The vector data is obtained by accumulating analogous vectors of image fragments pixels. The accumulated vector is also considered as an object feature. The filter banks of a set of objects are obtained by regularized inversion of the matrices compiled by object features vectors. Optimized regularization of the inversion is used to expand the regions of object features capture with minimal error. The object fragments and corresponding feature vectors are selected through a training iterative process. The tensor and vector approaches create two channels for recognition. High efficiency of object recognition can be achieved by choosing the filter capture band and creating filter branches according to the given bands. The filters create a convolutional network to recognize a set of objects. It has been shown that the obtained filters have an advantage over known correlation filters when recognizing objects with small fragments.

Rozważane jest badanie ekstrakcji cech obiektów obrazu przez filtry oparte na prezentacji danych tensorowych i wektorowych. Dane tensorowe uzyskuje się jako sumę tensorów pierwszego rzędu, otrzymanych przez iloczyn tensorowy wektora leksykograficznej reprezentacji pikseli fragmentów obrazu z samym sobą. Skumulowany tensor jest aproksymowany przez tensor pierwszego rzędu uzyskany przy użyciu dekompozycji wartości osobliwych. Wykazano, że główny wektor dekompozycji można uznać za wektor cech obiektu. Dane wektorowe uzyskuje się poprzez akumulację analogicznych wektorów pikseli fragmentów obrazu. Skumulowany wektor jest również uważany za cechę obiektu. Banki filtrów zestawu obiektów są uzyskiwane przez regularyzowaną inwersję macierzy skompilowanych przez wektory cech obiektów. Zoptymalizowana regularyzacja inwersji jest wykorzystywana do rozszerzenia obszarów przechwytywania cech obiektów przy minimalnym błędzie. Fragmenty obiektów i odpowiadające im wektory cech są wybierane w iteracyjnym procesie uczenia. Podejście tensorowe i wektorowe tworzy dwa kanały rozpoznawania. Wysoką skuteczność rozpoznawania obiektów można osiągnąć, wybierając pasmo przechwytywania filtrów i tworząc gałęzie filtrów zgodnie z podanymi pasmami. Filtry tworzą sieć konwolucyjną do rozpoznawania zestawu obiektów. Wykazano, że uzyskane filtry mają przewagę nad znanymi filtrami korelacyjnymi podczas rozpoznawania obiektów z małymi fragmentami.

Mobile vision based augmented reality navigation system

Wojciechowski A.

Journal of Applied Computer Science

2012

Vol. 20, nr 1

103-118

Augmented reality applications become more and more popular due to increasing computation speed of the mobile handsets and need of easy and intuitive navigation. Existing systems are implemented on the basis of GPS and compass where relative position and orientation of the handset is considered. Such hardware requirements decrease amount of compatible devices and limits system usage to outdoors where GPS signal is available. The paper presents a vision-based augmented reality navigation system implemented on the Android mobile phone. Image data of interest object and handset position are acquired by the users, however GPS position is not required for the system operation.