OU Portal
  • Log In
  • Welcome
  • Applicants
Z6_60GI02O0O8IDC0QEJUJ26TJDI4
{}

Pomocí tohoto dialogu můžete vyhledat domácí autory, čili autory, kteří jsou vedeni v personálních systémech Ostravské univerzity.

Do našeptávače níže napište hledaný text a tento text bude vyhledán ve jméně nebo příjmení autora. Autoři, kteří budou hledanému textu odpovídat, Vám budou nabídnuti v seznamu. Pomocí myši nebo šipek na klávesnici vyberte požadovaného autora.

Našeptávač : 
Přidat autora k záznamu Zavřít

Pomocí tohoto dialogu můžete k záznamu přidat cizího autora, čili autora, který nemá žádný pracovní ani studijní vztah k Ostravské univerzitě. Takto přidaný autor bude do RIV vykázán jako nedomácí.

Pro přidání autora vepište jeho jméno a příjmení do určených položek.

Jméno :
Příjmení :
Přidat k záznamu Zavřít
Zavřít
Publikační činnost


preloading...   Probíhá načítání, čekejte prosím...
publicationId :
tempRecordId :
actionDispatchIndex :
navigationBranch :
pageMode :
tabSelected :
isRivValid :
Typ záznamu * : prezentace (kongresy, sympózia, konference, workshopy)
Domácí pracoviště * : Ústav pro výzkum a aplikace fuzzy modelování (94410)
Název * : Image contours detection with deep features
Citace : Molek, V. Image contours detection with deep features. In: ISCAMI. Malenovice. 2017.
Podnázev :
Rok : 2017
Obor : Informatika
Místo konání : Malenovice
Stát konání akce : Česká republika
Název akce : ISCAMI
Datum od :
Datum do :
Druh prezentace : Přednáška
Instituce :
Klíčová slova anglicky :
Image processing; convolutional neural network; object contours; features; classification;
Popis v původním jazyce :
This contribution describes the edge detection with usage of thedeep features. Our detector approaches the edge detection as an classifi-cation problem, i.e. classifying the edge and non-edge pixels. The wholeclassification process is divided into a two stages: the feature extraction andthe classification. In the feature extraction, the features are extracted fromwell known convolutional neural network VGG19 and are rescaled up tothe image resolution. In the classification stage, the features are fed into aneural network that classifies a given pixel. Our classification is pixel based,i.e. the features are extracted for each pixel separately.The classifier was trained on the dataset BSDS500 by Berkley Univer-sity. BSDS500 contains 500 images, each labeled by several subjects (variablenumber of subjects per the image). There are a two types of the labels foreach image. The segmentation labels and the object boundary labels. Wehave used latter for our classifier training. This model was contribution toEUSFLAT 2017 edge detection competition.
Popis v anglickém jazyce :
Typ zdroje financování výsledku : Specifický výzkum
Seznam projektů :
ID Projektu Název projektu
Seznam ohlasů : 
Ohlas
R01:

© 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}