Informacja

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

Wyszukujesz frazę "feature extractor" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
Metoda ekstrakcji cech orientowana na sprzętową realizację w zadaniach rozpoznawania obrazów
Feature extraction method directed on hardware realization for image recognition tasks
Autorzy:
Kukharev, G.
Sałuda, R.
Mikłasz, M.
Kawka, G.
Powiązania:
https://bibliotekanauki.pl/articles/151790.pdf
Data publikacji:
2009
Wydawca:
Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:
rozpoznawanie twarzy
LIFE
ekstrakcja cech
feature extractor
face recognition
Opis:
Rozpoznawanie obrazów to zadanie realizowane najczęściej przez skomplikowane i złożone metody. Jednak wykorzystanie zestawu prostych i szybkich metod pozwala na dorównanie skutecznością systemom używającym skomplikowanych podejść. Rozwiązanie to ma dodatkowy plus - łatwość implementacji sprzętowej. W artykule przedstawiono podejście analizujące lokalną symetryczność obrazu, które pomimo swojej prostoty, wykazało się dużą skutecznością. Przeprowadzone eksperymenty pokazały, że omawiana metoda ekstrakcji cech z obrazu może mieć bezpośrednie zastosowanie w systemach rozpoznawania, a jej prostota pozwala na sprzętową realizację. Dodatkową zaletą prezentowanej metody jest jej inwariantność od oświetlenia twarzy. Dzięki temu istnieje możliwość znaczącej poprawy wydajności całego systemu rozpoznawania.
The paper presents the results of investigations concerning face recognition systems based on a simple, fast and efficient feature extractor method. It is based on analysis of the local image symmetry. An additional advantage of the described method is the fact that it is light invariant feature extractor - so it is called LIFE. This benefit (robust on the light conditions) makes it possible to use the method practically as the hardware implementation in real monitoring systems. The idea of LIFE operation is described in Section 2 of the paper. The performed experiments, presented in Section 3 show that LIFE is very efficient in comparison with other simple feature extractor methods - the results of recognition are given in Table 1. In spite of the method simplicity, the proposed approach proved high effectiveness which may be further increased by joining LIFE into a parallel structure with another simple feature extractor (it is described in Section 4). The presented feature extractor enables implementation in hardware system (simplicity and efficiency) such as cameras of the monitoring system. This idea is discussed in the conclusions.
Źródło:
Pomiary Automatyka Kontrola; 2009, R. 55, nr 8, 8; 563-565
0032-4140
Pojawia się w:
Pomiary Automatyka Kontrola
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Multi-feature spatial distribution alignment enhanced domain adaptive method for tool condition monitoring
Autorzy:
Hei, Zhendong
Sun, Bintao
Wang, Gaonghai
Lou, Yongjian
Yuqing, Zhou
Powiązania:
https://bibliotekanauki.pl/articles/28328268.pdf
Data publikacji:
2023
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
condition monitoring
Transfer learning
correlation alignment
joint maximum mean difference
feature extractor
Opis:
Transfer learning (TL) has been successfully implemented in tool condition monitoring (TCM) to address the lack of labeled data in real industrial scenarios. In current TL models, the domain offset in the joint distribution of input feature and output label still exists after the feature distribution of the two domains is aligned, resulting in performance degradation. A multiple feature spatial distribution alignment (MSDA) method is proposed, Including Correlation alignment for deep domain adaptation (DeepCORAL) and Joint maximum mean difference (JMMD). Deep CORAL is employed to learn nonlinear transformations, align source and target domains at the feature level through the second-order statistical correlations. JMMD is applied to improve domain alignmentby aligning the joint distribution of input features and output labels. ResNet18 combining with bidirectional short-term memory network and attention mechanism is developed to extract the invariant features. TCM experiments with four transfer tasks were conducted and demonstrated the effectiveness of the proposed method.
Źródło:
Eksploatacja i Niezawodność; 2023, 25, 4; art. no. 171750
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    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