Počet záznamů: 1
View Dependent Surface Material Recognition
- 1.
SYSNO ASEP 0510488 Druh ASEP C - Konferenční příspěvek (mezinárodní konf.) Zařazení RIV D - Článek ve sborníku Název View Dependent Surface Material Recognition Tvůrce(i) Mikeš, Stanislav (UTIA-B) RID
Haindl, Michal (UTIA-B) RID, ORCIDCelkový počet autorů 2 Číslo článku 12 Zdroj.dok. Advances in Visual Computing : 14th International Symposium on Visual Computing (ISVC 2019). - Cham : Springer, 2019 / Bebis G. ; Boyle R. ; Parvin B. ; Koracin D. - ISSN 0302-9743 - ISBN 978-3-030-33719-3 Rozsah stran s. 156-167 Poč.str. 12 s. Forma vydání Tištěná - P Akce International Symposium on Visual Computing (ISVC 2019) /14./ Datum konání 07.10.2019 - 09.10.2019 Místo konání Lake Tahoe Země US - Spojené státy americké Typ akce WRD Jazyk dok. eng - angličtina Země vyd. CH - Švýcarsko Klíč. slova convolutional neural network ; texture recognition ; Bidirectional Texture Function recognition Vědní obor RIV BD - Teorie informace Obor OECD Automation and control systems CEP GA19-12340S GA ČR - Grantová agentura ČR Institucionální podpora UTIA-B - RVO:67985556 UT WOS 000582481300012 EID SCOPUS 85076168125 DOI 10.1007/978-3-030-33720-9_12 Anotace The paper presents a detailed study of surface material recognition dependence on the illumination and viewing conditions which is a hard challenge in a realistic scene interpretation. The results document sharp classification accuracy decrease when using usual texture recognition approach, i.e., small learning set size and the vertical viewing and illumination angle which is a very inadequate representation of the enormous material appearance variability. The visual appearance of materials is considered in the state-of-the-art Bidirectional Texture Function (BTF) representation and measured using the upper-end BTF gonioreflectometer. The materials in this study are sixty-five different wood species. The supervised material recognition uses the shallow convolutional neural network (CNN) for the error analysis of angular dependency. We propose a Gaussian mixture model-based method for robust material segmentation. Pracoviště Ústav teorie informace a automatizace Kontakt Markéta Votavová, votavova@utia.cas.cz, Tel.: 266 052 201. Rok sběru 2020
Počet záznamů: 1