Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Active Structured Learning for High-Speed Object Detection

Lampert, C., & Peters, J. (2009). Active Structured Learning for High-Speed Object Detection. In J. Denzler, G. Notni, & H. Süsse (Eds.), Pattern Recognition: 31st DAGM Symposium, Jena, Germany, September 9-11, 2009 (pp. 221-231). Berlin, Germany: Springer.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-C301-D Versions-Permalink: https://hdl.handle.net/21.11116/0000-0002-E585-5
Genre: Konferenzbeitrag

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
https://link.springer.com/content/pdf/10.1007%2F978-3-642-03798-6_23.pdf (Verlagsversion)
Beschreibung:
-
OA-Status:

Urheber

einblenden:
ausblenden:
 Urheber:
Lampert, CH1, 2, Autor           
Peters, J1, 2, Autor           
Affiliations:
1Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497795              
2Max Planck Institute for Biological Cybernetics, Max Planck Society, Spemannstrasse 38, 72076 Tübingen, DE, ou_1497794              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: High-speed smooth and accurate visual tracking of objects in arbitrary, unstructured environments is essential for robotics and human
motion analysis. However, building a system that can adapt to arbitrary
objects and a wide range of lighting conditions is a challenging problem,
especially if hard real-time constraints apply like in robotics scenarios.
In this work, we introduce a method for learning a discriminative object
tracking system based on the recent structured regression framework for
object localization. Using a kernel function that allows fast evaluation
on the GPU, the resulting system can process video streams at speed of
100 frames per second or more.
Consecutive frames in high speed video sequences are typically very redundant,
and for training an object detection system, it is sufficient to
have training labels from only a subset of all images. We propose an
active learning method that select training examples in a data-driven
way, thereby minimizing the required number of training labeling. Experiments
on realistic data show that the active learning is superior to
previously used methods for dataset subsampling for this task.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2009-09
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: DOI: 10.1007/978-3-642-03798-6_23
BibTex Citekey: 6073
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: 31st Annual Symposium of the German Association for Pattern Recognition (DAGM 2009)
Veranstaltungsort: Jena, Germany
Start-/Enddatum: 2009-09-09 - 2009-09-11

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: Pattern Recognition: 31st DAGM Symposium, Jena, Germany, September 9-11, 2009
Genre der Quelle: Konferenzband
 Urheber:
Denzler, J, Herausgeber
Notni, G, Herausgeber
Süsse, H, Herausgeber
Affiliations:
-
Ort, Verlag, Ausgabe: Berlin, Germany : Springer
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: 221 - 231 Identifikator: ISBN: 978-3-642-03797-9

Quelle 2

einblenden:
ausblenden:
Titel: Lecture Notes in Computer Science
Genre der Quelle: Reihe
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: -
Seiten: - Band / Heft: 5748 Artikelnummer: - Start- / Endseite: - Identifikator: -