OU Portal
  • Log In
  • Welcome
  • Applicants
Z6_60GI02O0O8IDC0QEJUJ26TJDI4
{}
Zavřít
Publikační činnost


preloading...   Probíhá načítání, čekejte prosím...
publicationId :
tempRecordId :
actionDispatchIndex :
navigationBranch :
pageMode :
tabSelected :
isRivValid :
Typ záznamu * : stať ve sborníku (D)
Domácí pracoviště * : Ústav pro výzkum a aplikace fuzzy modelování (94410)
Název * : Segmenting out Generic Objects in Monocular Videos
Citace : Hůla, J., Mojžíšek, D., Adamczyk, D. a Molek, V. Segmenting out Generic Objects in Monocular Videos. In: Proceedings of the 21st Conference Information Technologies ? Applications and Theory (ITAT 2021) 2021 Nízke Tatry and Muránska planina, Slovakia. CEUR Workshop Proceedings, 2021. s. 123-129. ISSN 1613-0073.
Podnázev :
Rok * : 2021
Obor * : Obecná matematika
Počet stran * : 7
Strana od * : 123
Strana do * : 129
Forma vydání * : Elektronická verze
Kód ISBN * : neuvedeno
Kód ISSN : 1613-0073
Název sborníku * : Proceedings of the 21st Conference Information Technologies ? Applications and Theory (ITAT 2021)
Sborník : Mezinárodní
Název nakladatele * : CEUR Workshop Proceedings
Místo vydání * : neuvedeno
Stát vydání :
Název konference :
Místo konání konference * : Nízke Tatry and Muránska planina, Slovakia
Datum zahájení konference * :
Typ akce podle státní
příslušnosti účastníků akce * :
Celosvětová akce
Kód UT WoS :
EID : 2-s2.0-85116687641
Klíčová slova anglicky * :
object segmentation;monocular video;organic objects;neural network
Popis v původním jazyce * :
We present an approach for generic object detection and segmentation in monocular videos. In this task, we want to segment objects from a background with no prior knowledge about the possible classes of objects which we may encounter. This makes this task much harder than the classical object detection and segmentation, which can be posed as a supervised learning problem. Our approach uses an ensemble of 3 different models which are trained by different objectives and have different failure modes and therefore complement each other. We demonstrate the usefulness of our approach on a custom dataset containing 18 classes of organic objects. Using our method, we were able to recover the classes of objects in a fully unsupervised way.
Popis v anglickém jazyce * :
Typ zdroje financování výsledku * : Specifický výzkum
Seznam projektů :
ID Projektu Název projektu
Seznam ohlasů : 
Ohlas
R01: RIV/61988987:17610/21:A2302APR

© 2019 Centre for Information Technology

  • Technická podpora :
  • Mgr. Olga Blahutová (phone: +420 597 091 129, phone flap for UO: 1129)
  • Ing. Lucie Svitaneková (phone: +420 597 091 108, phone flap for UO: 1108)
Complementary Content
  • ${title}${badge}
${loading}