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 "scale-invariant" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Wyznaczenie punktów stałych obiektów przestrzennych na drodze automatycznej
    Automatic determination of spatial objects’ invariant points
    Autorzy:
    Kozioł, K.
    Szombara, S.
    Knecht, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/130424.pdf
    Data publikacji:
    2012
    Wydawca:
    Stowarzyszenie Geodetów Polskich
    Tematy:
    automatyzacja
    DLM
    generalizacja kartograficzna
    linia brzegowa
    MRDB
    punkty stałe obiektu
    redukcja punktów
    upraszczanie
    generalizacja jednoznaczna
    automation
    cartographic generalization
    coastline
    invariant points of an object
    points reduction
    simplification
    scale-driven generalisation
    Opis:
    W pracy zaprezentowano algorytm służący do wyznaczania punktów stałych obiektów przestrzennych na przykładzie fragmentu linii brzegowej obszaru Wielkiej Brytanii. Punkty stałe (osnowa kartograficzna) zostały wyznaczone, jako atrybut obiektu liniowego, do jego upraszczania w procesie cyfrowej generalizacji kartograficznej. Punkty stałe nadają hierarchię obiektom przestrzennym, a co za tym idzie mogą powodować zwiększenie zaufania do wyników upraszczania. Wyznaczenie punktów stałych może poprzedzać proces upraszczania przeprowadzany metodami jednoznacznymi/obiektywnymi (zależnymi tylko od skali opracowywanej mapy, ang. scale-driven generalization), a także algorytmami redukcji punktów (ang. point reduction). Wyznaczenie punktów stałych odbywa się w ramach przegotowania danych do ich implementacji w modelu topograficznym/ numerycznym modelu krajobrazu (ang. Digital Landscape Model) w wielorozdzielczej/wieloreprezentacyjnej bazie danych (przestrzennych) (ang. Multi Resolution/Multi Representation Data Base). Wyniki z procesu wyznaczania punktów stałych wskazują, że atrybut ten można wyznaczać w sposób automatyczny dla linii łamanych otwartych lub zamkniętych.
    In this paper the algorithm for determining invariant points of spatial objects was presented as implemented on the data of Great Britain’s coastline. Invariant points (cartographic warp) were determined as a linear object feature for its simplification in a process of digital cartographic generalisation. Invariant points provide spatial objects with hierarchy and, consequently, can increase trust towards the simplification results. Determination of the invariant points can be preceded by a simplification process carried with the unambiguous/objective methods depending only on the scale of a processed map (scale-driven methods) as well as with use of point reduction algorithms. Determination of the invariant points is proceeded during the process of preparation of the data to its implementation in a Digital Landscape Model (DLM) in a Multi Resolution/Multi Representation Data Base (MRDB). The results of the process of determination of the invariant points show, that this feature can be determined in an automatic way for the open or closed polylines.
    Źródło:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji; 2012, 23; 179-186
    2083-2214
    2391-9477
    Pojawia się w:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Feature map augmentation to improve scale invariance in convolutional neural networks
    Autorzy:
    Kumar, Dinesh
    Sharma, Dharmendra
    Powiązania:
    https://bibliotekanauki.pl/articles/2201321.pdf
    Data publikacji:
    2023
    Wydawca:
    Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
    Tematy:
    convolutional neural network
    feature map augmentation
    global features
    scale-invariant
    vision system
    Opis:
    Introducing variation in the training dataset through data augmentation has been a popular technique to make Convolutional Neural Networks (CNNs) spatially invariant but leads to increased dataset volume and computation cost. Instead of data augmentation, augmentation of feature maps is proposed to introduce variations in the features extracted by a CNN. To achieve this, a rotation transformer layer called Rotation Invariance Transformer (RiT) is developed, which applies rotation transformation to augment CNN features. The RiT layer can be used to augment output features from any convolution layer within a CNN. However, its maximum effectiveness is shown when placed at the output end of final convolution layer. We test RiT in the application of scale-invariance where we attempt to classify scaled images from benchmark datasets. Our results show promising improvements in the networks ability to be scale invariant whilst keeping the model computation cost low.
    Źródło:
    Journal of Artificial Intelligence and Soft Computing Research; 2023, 13, 1; 51--74
    2083-2567
    2449-6499
    Pojawia się w:
    Journal of Artificial Intelligence and Soft Computing Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A novel feature biometric fusion approach for iris, speech and signature
    Nowatorskie połączenie cech biometrycznych dla tęczówki, mowy i podpisu
    Autorzy:
    Garg, Mamta
    Arora, Ajat Shatru
    Gupta, Savita
    Powiązania:
    https://bibliotekanauki.pl/articles/29520274.pdf
    Data publikacji:
    2020
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    biometric fusion
    scale invariant feature transform
    2-dimensional principle component analysis
    mel-frequency cepstral coefficient
    genetic algorithms
    artificial neural networks
    Opis:
    With an ever-increasing emphasis on security and the new dimensions in security challenges facing the world today, the need for automated personal identification/verification system based on multimodal biometrics has increased. This paper addresses the issue of multiple biometric fusion to enhance the security of recognition. The paper utilizes iris, speech,and signature for the novel fusion. A segregated classification mechanism for each biometric is also presented. The fusion is done on the base of features extracted at the time of individual classification of biometrics. Different feature extraction algorithms are applied for different biometrics. The paper has utilized 2-Dimensional Principle Component Analysis (2DPCA) for Iris, Scale Invariant Feature Transform (SIFT) for signature and Mel-frequency cepstral coefficients for speech biometric. This paper utilizes Genetic Algorithm for the optimization of the evaluated features. The classification is done using Artificial Neural Network (ANN).
    W związku z ciągłym wzrostem wymagań dotyczących bezpieczeństwa i nowymi wyzwaniami stojącymi dzisiaj w tym zakresie przed światem istnieje potrzeba tworzenia ststremów wykorzystujących biometrię multimodalną do automatycznej identyfikacji/weryfikacji osób. Artykuł opisuje problem zastosowania multimodalnej fuzji biometrycznej do poprawy bezpieczeństwa rozpoznawania osób. Do nowej fuzji wykorzystano tęczówkę, mowę i podpis. Zaprezentowano oddzielny mechanism dla każdego czynnika biometrycznego. Fuzję przeprowadzono wykorzystując cechy wybrane w danej chwili czasu indywidualnie dla każdego czynnika. Dla różnych czynników zastosowano różny algorytm wyboru cech biometrycznych. Zastosowano 2- wymiarową analizę podstawowych składników (ang. 2-Dimensional Principle Component Analysis - 2DPCA) dla tęczówki, skaloniezmiennicze przekształcenie cech (ang. Scale Invariant Feature Transform - SIFT) dla podpisu oraz parametry melcepstralne (ang. Mel-Frequency Cepstral Coefficients) dla mowy. W artykule wykorzystano metodę Algorytmów Genetycznych do optymalizacji oceny poszczególnych cech. Klasyfikację przeprowadzono wykorzystując sztuczne sieci neuronowe.
    Źródło:
    Computer Methods in Materials Science; 2020, 20, 2; 63-71
    2720-4081
    2720-3948
    Pojawia się w:
    Computer Methods in Materials Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      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