Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Object recognition using shape growth pattern
Blekinge Tekniska Högskola, Fakulteten för datavetenskaper, Institutionen för datalogi och datorsystemteknik. (BigData@BTH)ORCID-id: 0000-0002-4390-411x
Blekinge Tekniska Högskola, Fakulteten för datavetenskaper, Institutionen för datalogi och datorsystemteknik.ORCID-id: 0000-0001-7536-3349
Blekinge Tekniska Högskola, Fakulteten för datavetenskaper, Institutionen för datalogi och datorsystemteknik.ORCID-id: 0000-0001-9947-1088
2017 (Engelska)Ingår i: Proceedings of the 10th International Symposium on Image and Signal Processing and Analysis, ISPA, IEEE Computer Society Digital Library, 2017, s. 47-52, artikel-id 8073567Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

This paper proposes a preprocessing stage to augment the bank of features that one can retrieve from binary images to help increase the accuracy of pattern recognition algorithms. To this end, by applying successive dilations to a given shape, we can capture a new dimension of its vital characteristics which we term hereafter: the shape growth pattern (SGP). This work investigates the feasibility of such a notion and also builds upon our prior work on structure preserving dilation using Delaunay triangulation. Experiments on two public data sets are conducted, including comparisons to existing algorithms. We deployed two renowned machine learning methods into the classification process (i.e., convolutional neural network-CNN- and random forests-RF-) since they perform well in pattern recognition tasks. The results show a clear improvement of the proposed approach's classification accuracy (especially for data sets with limited training samples) as well as robustness against noise when compared to existing methods.

Ort, förlag, år, upplaga, sidor
IEEE Computer Society Digital Library, 2017. s. 47-52, artikel-id 8073567
Nyckelord [en]
Binary image dilations, convolutional neural network, machine learning, pattern recognition, shape growth pattern
Nationell ämneskategori
Datorsystem Signalbehandling
Identifikatorer
URN: urn:nbn:se:bth-15416DOI: 10.1109/ISPA.2017.8073567ISI: 000442428600009ISBN: 978-1-5090-4011-7 (digital)OAI: oai:DiVA.org:bth-15416DiVA, id: diva2:1154115
Konferens
10th International Symposium on Image and Signal Processing and Analysis (ISPA), Ljubljana
Projekt
Scalable resource efficient systems for big data analyticsTillgänglig från: 2017-11-01 Skapad: 2017-11-01 Senast uppdaterad: 2018-09-06Bibliografiskt granskad

Open Access i DiVA

fulltext(361 kB)1016 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 361 kBChecksumma SHA-512
1d123a0d8e7c505b37d3caaf7a3004df9a7f58f24cdc2db1e772bb056c4642fa6fa26fc622c6f4f2890a6e7399c8511ada2e3e2e6c38b3b32a9419098cd0a933
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltexthttp://ieeexplore.ieee.org/document/8073567/

Personposter BETA

Cheddad, AbbasKusetogullari, HüseyinGrahn, Håkan

Sök vidare i DiVA

Av författaren/redaktören
Cheddad, AbbasKusetogullari, HüseyinGrahn, Håkan
Av organisationen
Institutionen för datalogi och datorsystemteknik
DatorsystemSignalbehandling

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 1016 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
isbn
urn-nbn

Altmetricpoäng

doi
isbn
urn-nbn
Totalt: 634 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf