Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "HoG" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-7 z 7
    Tytuł:
    Detekcja kolejowych sygnalizatorów świetlnych w obrazach przy użyciu deskryptorów HOG i sieci neuronowych SVM
    Computer vision based detection of railway traffic lights in images using HOG descriptors and SVM neural networks
    Autorzy:
    Król, R.
    Bojarczak, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/312746.pdf
    Data publikacji:
    2017
    Wydawca:
    Instytut Naukowo-Wydawniczy "SPATIUM"
    Tematy:
    przejazd kolejowy
    system ostrzegania
    deskryptor HOG
    train crossing
    warning system
    HOG descriptor
    Opis:
    W lipcu 2006 r. Navneet Dalal opublikował rezultaty badań detektora wykorzystującego sieci neuronowe SVM oraz deskryptory obrazów HOG (ang. Histogram of Oriented Gradients), który użyty został do wykrywania sylwetek ludzkich w obrazach i video. W tym artykule podobne badania zostały przeprowadzone dla detektora kolejowych sygnalizatorów świetlnych. W środowisku Matlab zaimplementowany został system TSR (ang. Traffic Sign Recognition) oraz przeprowadzona została jego analiza dla różnych parametrów deskryptorów HOG. Pomimo, że system TSR ma takie same parametry jak system do detekcji sylwetek ludzkich, rezultaty badań tych systemów różnią się. Dobre rezultaty osiągnięto jedynie dla wybranej liczby poziomów kwantyzacji w deskryptorach HOG, podczas gdy w badaniach detektora ludzi uzyskiwano tym mniejsze wartości współczynnika strat (ang. miss rate), im większa była liczba poziomów kwantyzacji. Zwiększenie liczby obrazów w zbiorze uczącym klasyfikatora z 444 do 16000 poprawiło znacznie parametry detekcji. Niestety w badaniach systemu TSR uzyskano wysokie wartości współczynnika FPPW (ang. False Positives Per Window) w porównaniu do badań detektora sylwetek ludzkich. Może być to spowodowane brakiem normalizacji blokowej lub inną metodyką normalizacji w funkcji obliczającej deskryptor w programie Matlab. Wysokie wartości współczynnika FPPW mogą także świadczyć o tym, że rodzaj deskryptora lub metodyka detekcji są nieodpowiednie dla kolejowych sygnalizatorów świetlnych.
    In July 2006 Navneet Dalal published the research of the detector constructed with linear SVM neural networks and HOG (Histogram of Oriented Gradients) descriptors which was used for detection of people in images and videos. In this paper similar research was done for detection of railway traffic lights. TSR (Traffic Sign Recognition) system was implemented in Matlab and examined for various settings of HOG descriptors. Despite the TSR system for railway traffic lights detection has the same settings as people detection system, the results are different. Good results was obtained only for selected number of bins in HOG descriptor, while in people detection the miss rate coefficient decreases with increasing number of bins. Increasing number of pictures in learning set of SVM network from 444 to 16000 significantly improved effectiveness of the detector. Unfortunately, high value of FPPW (False Positives Per Window) coefficient was obtained in comparison to the people detection research. It can be caused by the lack of block normalization or different block normalization method in the Matlab function which computes HOG feature vector. High values of FPPW can also point that this kind of descriptor or methodology is improper for railway traffic lights detection.
    Źródło:
    Autobusy : technika, eksploatacja, systemy transportowe; 2017, 18, 6; 281-286, CD
    1509-5878
    2450-7725
    Pojawia się w:
    Autobusy : technika, eksploatacja, systemy transportowe
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A flexible, high performance hardware implementation of the simplified histogram of oriented gradients descriptor
    Autorzy:
    Kraft, M.
    Olejniczak, M.
    Fularz, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/114399.pdf
    Data publikacji:
    2017
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    HoG
    FPGA
    image processing
    Opis:
    In this paper, a high performance, configurable, compact hardware architecture for computing the histogram of oriented gradients (HoG) descriptors is presented. The descriptor computation algorithm is simplified w.r.t. to the original solution, enabling hardware resource cost reduction with only a small accuracy penalty. The proposed architecture can be accommodated to different block sizes and different block grid configurations, enabling its use in a wide range of object detection and recognition tasks with varying region of interest sizes. The resulting architecture is systolic and massively parallel, enabling high throughput processing.
    Źródło:
    Measurement Automation Monitoring; 2017, 63, 5; 177-179
    2450-2855
    Pojawia się w:
    Measurement Automation Monitoring
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Human Detection in Thermal Images Using Low-level Features
    Autorzy:
    Budzan, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/114333.pdf
    Data publikacji:
    2015
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    human detection
    infrared
    feature extraction
    HOG
    Opis:
    In this work the human detection method in infrared has been presented. The proposed solution focuses on the use low-level features and detecting parts of the human body. Low–level processing is based on modified HOG (Histogram of Oriented Gradients) algorithm. First, the only squared cells have been used, also calculation of the gradient has been improved. Next, the model of the head from the dataset IR (Infra Red) images has been created, also the model of the human body. Finally, the probability matrix has been examined using minimal distance classifier. The novelty of the proposed solution focuses on the combination of the pixel-gradient and body parts processing, also three stage classification process (head modelling, human modelling and classifier), which has been proposed to reduce the false detection. The experiments were performed on self-created IR images database, which contains images with most of the possible difficult situations such as overlapped people, different pose, small and high resolution of the people. The performance of the proposed algorithm was evaluated using Precision and Recall quality measure.
    Źródło:
    Measurement Automation Monitoring; 2015, 61, 6; 191-194
    2450-2855
    Pojawia się w:
    Measurement Automation Monitoring
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wizyjna detekcja obiektów w obrazach przy użyciu klasyfikatora SVM i deskryptorów HOG : porównanie wyników dla kolejowych sygnalizatorów świetlnych oraz dla sylwetek ludzkich
    Computer vision based detection of objects in images using SVM classifier and HOG descriptors : comparison of the results for railway traffic lights and silhouettes of people
    Autorzy:
    Król, R.
    Bojarczak, P.
    Taraś, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/309682.pdf
    Data publikacji:
    2017
    Wydawca:
    Instytut Naukowo-Wydawniczy "SPATIUM"
    Tematy:
    przejazd kolejowy
    system ostrzegania
    sygnalizator świetlny
    deskryptor HOG
    train crossing
    warning system
    traffic light
    HOG descriptor
    Opis:
    W artykule porównane zostały krzywe DET (ang. Detection-Error Tradeoff) dla pojedynczego klasyfikatora SVM testowanego na zbiorze kolejowych sygnalizatorów świetlnych przy użyciu oprogramowania zaimplementowanego w środowisku MATLAB, oprogramowania zaimplementowanego w C++ przy użyciu biblioteki OpenCV oraz dla pojedynczego klasyfikatora testowanego na zbiorze obrazów INRIA zawierającym sylwetki ludzkie. Potrzeba porównania rezultatów dla sygnalizatorów świetlnych z rezultatami dla ludzi oraz porównania funkcji oferowanych przez środowisko MATLAB z funkcjami biblioteki OpenCV wynika z uzyskanych w poprzednich badaniach (R. Król, P. Bojarczak, Detekcja kolejowych sygnalizatorów świetlnych w obrazach przy użyciu deskryptorów HOG i sieci neuronowych SVM) wysokich, względem badań N. Dalal, wartości współczynnika FPPW (ang. False Positives Per Window). Badania przedstawione w niniejszym artykule dowodzą, że charakterystyczne cechy geometryczne sygnalizatorów świetlnych nie wpływają na jakość rezultatów uzyskanych przy metodzie badań zastosowanej w poprzedniej pracy.
    In this paper Detection-Error Tradeoff Curves were compared for the single SVM classifier which was tested on the set of images containing railway traffic lights using the software which Authors implemented in Matlab, software implemented by the Authors in OpenCV (C++) and for the single SVM classifier tested on the INRIA persons image set using software implemented by the Authors in Matlab. Research performed in this paper are important because in the last numerical experiments high values of FPPW coefficient (False Positives Per Window) were obtained. Results presented in this paper prove that characteristic features of the railway traffic lights geometry do not influence value of FPPW and HOG descriptors can be successfully used for this type of object.
    Źródło:
    Autobusy : technika, eksploatacja, systemy transportowe; 2017, 18, 12; 260-263, CD
    1509-5878
    2450-7725
    Pojawia się w:
    Autobusy : technika, eksploatacja, systemy transportowe
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Overcoming Overfitting Challenges with HOG Feature Extraction and XGBoost-Based Classification for Concrete Crack Monitoring
    Autorzy:
    Barkiah, Ida
    Sari, Yuslena
    Powiązania:
    https://bibliotekanauki.pl/articles/27311909.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Czasopisma i Monografie PAN
    Tematy:
    HOG
    XGBoost
    classification
    feature extraction
    concrete crack monitoring
    Opis:
    This study proposes a method that combines Histogram of Oriented Gradients (HOG) feature extraction and Extreme Gradient Boosting (XGBoost) classification to resolve the challenges of concrete crack monitoring. The purpose of the study is to address the common issue of overfitting in machine learning models. The research uses a dataset of 40,000 images of concrete cracks and HOG feature extraction to identify relevant patterns. Classification is performed using the ensemble method XGBoost, with a focus on optimizing its hyperparameters. This study evaluates the efficacy of XGBoost in comparison to other ensemble methods, such as Random Forest and AdaBoost. XGBoost outperforms the other algorithms in terms of accuracy, precision, recall, and F1-score, as demonstrated by the results. The proposed method obtains an accuracy of 96.95% with optimized hyperparameters, a recall of 96.10%, a precision of 97.90%, and an F1-score of 97%. By optimizing the number of trees hyperparameter, 1200 trees yield the greatest performance. The results demonstrate the efficacy of HOG-based feature extraction and XGBoost for accurate and dependable classification of concrete fractures, overcoming the overfitting issues that are typically encountered in such tasks.
    Źródło:
    International Journal of Electronics and Telecommunications; 2023, 69, 3; 571--577
    2300-1933
    Pojawia się w:
    International Journal of Electronics and Telecommunications
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Analysis of Clothing Image Classification Models: A Comparison Study between Traditional Machine Learning and Deep Learning Models
    Autorzy:
    Xu, Jun
    Wei, Yumeng
    Wang, Aichun
    Zhao, Heng
    Lefloch, Damien
    Powiązania:
    https://bibliotekanauki.pl/articles/2200761.pdf
    Data publikacji:
    2022
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
    Tematy:
    e-commerce
    clothing image classification
    traditional machine learning
    CNN
    HOG
    SVM
    small VGG network
    Opis:
    Clothing image in the e-commerce industry plays an important role in providing customers with information. This paper divides clothing images into two groups: pure clothing images and dressed clothing images. Targeting small and medium-sized clothing companies or merchants, it compares traditional machine learning and deep learning models to determine suitable models for each group. For pure clothing images, the HOG+SVM algorithm with the Gaussian kernel function obtains the highest classification accuracy of 91.32% as compared to the Small VGG network. For dressed clothing images, the CNN model obtains a higher accuracy than the HOG+SVM algorithm, with the highest accuracy rate of 69.78% for the Small VGG network. Therefore, for end-users with only ordinary computing processors, it is recommended to apply the traditional machine learning algorithm HOG+SVM to classify pure clothing images. The classification of dressed clothing images is performed using a more efficient and less computationally intensive lightweight model, such as the Small VGG network.
    Źródło:
    Fibres & Textiles in Eastern Europe; 2022, 5 (151); 66--78
    1230-3666
    2300-7354
    Pojawia się w:
    Fibres & Textiles in Eastern Europe
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Age-Type Identification and Classification of Historical Kannada Handwritten Scripts using Line Segmentation with HOG feature Descriptors
    Autorzy:
    Bannigidad, Parashuram
    Gudada, Chandrashekar
    Powiązania:
    https://bibliotekanauki.pl/articles/1075427.pdf
    Data publikacji:
    2019
    Wydawca:
    Przedsiębiorstwo Wydawnictw Naukowych Darwin / Scientific Publishing House DARWIN
    Tematy:
    HOG
    K-NN
    Kannada
    LDA
    Line segmentation
    Recognition
    Restoration
    SVM
    Seam carving
    document image analysis
    handwritten script
    historical documents
    Opis:
    The offline handwritten text recognition is one of the most challenging tasks in document image analysis; our aim is to recreate the cultural importance of the Kannada Language writing tradition through the historical degraded manuscripts. In the present digital era, we need to protect and digitize the resources of our Indian culture and heritage by digitizing those manuscripts which are losing its status; the degraded manuscripts are influenced by weather condition. In this paper, we have attempted to identify and recognise the historical Kannada handwritten scripts of various dynasties; namely, Vijayanagara dynasty (1460 AD), Mysore Wadiyar dynasty (1936 AD), Vijayanagara dynasty (1400 AD) and Hoysala dynasty (1340 AD) by using the improved seam carving text line segmentation method with HOG feature descriptors. The average classification accuracy for different dynasties are computed. The LDA classifier is yielded 93.4%, K-NN classifier has yielded 92% and SVM classifier has 95.5%. Based on the experimentation, the SVM classifier has recorded good classification performance comparatively LDA and K-NN classifiers for historical Kannada handwritten scripts.
    Źródło:
    World Scientific News; 2019, 126; 23-35
    2392-2192
    Pojawia się w:
    World Scientific News
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-7 z 7

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies