Menu 
VPA
Computer Vision And Pattern Analysis Laboratory Home Page  Home
People  People
Publications  Publications
Publications  Databases
Contact Information  Contact
Research
Supported Research Projects  Supported Research Projects
Research Activites  Research Activites
Research Groups
SPIS - Signal Processing and Information Systems Lab.SPIS - Signal Processing and Information Systems Lab.
Medical Vision and Analysis Group  Medical Research Activities
Biometrics Research Group  Biometrics Research Group
SPIS - Signal Processing and Information Systems Lab.MISAM - Machine Intelligence for Speech Audio and Multimedia.
Knowledge Base
  Paper Library
  VPA Lab Inventory
  Databases in VPALAB
Destek Vektör Makinesi Kullanarak Bağımsız Bileşen Tabanlı 3B Nesne Tanıma (in Turkish)
Authors: O.G. Sezer, A. Erçil, M. Keskinöz
Published in: SIU 2005
Publication year: 2005
Abstract: Independent Component Based 3D Object Recognition Using Support Vector Machines
------------------------
Özetçe
Bu makalede, zaman ve belleğin bileşimsel (kombinezon) patlaması olmaksızın yüksek dereceden istatistikleri kullanan bir nesne tanıma tekniği önerilmektedir. Önerilen yöntem literatürdeki iki gözde yöntem olan Bağımsız Bileşen Analizi (BBA) ve Destek Vektör Makinesi (DVM)’nin kaynaşımıdır. İmgelerdeki artıklığı gidermek ve her imge için daha düşük boyutlu öznitelik vektörleri elde etmek için BBA’yı ve sonrasında BBA adımından gelen bu öznitelik vektörlerini sınıflandırmak için DVM’nin kullanması önerilmektedir. Coil-20 veritabanı ve kendi ürettiğimiz bir 2B üretim nesneleri veritabanı için deney sonuçları verilmiştir.
Abstract
In this paper, we propose an object recognition technique using higher order statistics without the combinatorial explosion of time and memory complexity. The proposed technique is a fusion of two popular algorithms in the literature, Independent Component Analysis (ICA) and Support Vector Machines (SVM). We propose to use ICA to reduce the redundancy in the images and obtain some feature vectors for every image which has lower dimensions and then make use of SVM to classify these feature vectors coming from the ICA step. Experimental results are shown for Coil-20 and an internally created database of 2D manufacturing objects.
  download full paper
Download

Home Back