Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Learning Convolutional Ranking-Score Function by Query Preference Regularization Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Object Recognition Based on Dynamic Random Forests and SURF Descriptor

verfasst von : Khaoula Jayech, Mohamed Ali Mahjoub

Erschienen in: Intelligent Data Engineering and Automated Learning – IDEAL 2017

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Visual object recognition is an extremely difficult computational problem. It is still a challenging task for computer vision systems related especially to the high variability of the image of objects that may vary somewhat in different viewpoints, in many different sizes and scales or even when they are translated or rotated. In this study, we investigate the combination of a new dynamic random forests and SURF descriptor for object recognition. We have carried out experiments on two benchmark object recognition datasets: CIFAR-10 and STL-10. The experimental results show the superior ability of our proposed approach, compared to the standard RF in terms of recognition rate and execution time.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Hybrid Evolutionary Algorithm based on Adaptive Mutation and Crossover for Collaborative Learning Team Formation in Higher Education
Nächstes Kapitel Reducing Subjectivity in the System Dynamics Modeling Process: An Interdisciplinary Approach
Literatur
1.
Bai, S.: Growing random forest on deep convolutional neural networks for scene categorization. Expert Syst. Appl. 71, 279–287 (2017)CrossRef
2.
Zhao, W., Xiong, L., Ding, H.: Automatic recognition of loess landforms using Random Forest method. J. Mt. Sci. 14(5), 885–897 (2017)CrossRef
3.
Krizhevsky, A., Hinton, G.: Learning multiple layers of features from tiny images (2009)
4.
Gecer, B., Azzopardi, G., Petkov, N.: Color-blob-based COSFIRE filters for object recognition. Image Vis. Comput. 57, 165–174 (2017)CrossRef
5.
Liang, M., Hu, X.: Recurrent convolutional neural network for object recognition. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 3367–3375 (2015)
6.
Dicarlo, J., Cox, D.: Untangling invariant object recognition. Trends Cogn. Sci. 11(8), 333–341 (2007)CrossRef
7.
Zhang, L., He, Z., Liu, Y.: Deep object recognition across domains based on adaptive extreme learning machine. Neurocomputing 239, 194–203 (2017)CrossRef
8.
Bernard, S., Adam, L.: Using random forests for handwritten digit recognition. In: Ninth International Conference on Document Analysis and Recognition, vol. 2, pp. 1043–1047 (2007)
9.
Breiman, L.: Random forests statistics. Mach. Learn. 45, 5–32 (2001). Department, University of California, BerkeleyCrossRefMATH
10.
Zamani, Y., Souri, Y., Rashidi, H., Kasaei, S.: Persian handwritten digit recognition by random forest and convolutional neural networks. In: Conference on Machine Vision and Image Processing (2015)
11.
Belgiu, M., Dragut, L.: Random forest in remote sensing: A review of applications and future directions. ISPRS J. Photogrammetry Remote Sens. 114, 24–31 (2016)CrossRef
12.
Bernard, S., Adam, S., Heutte, L.: Dynamic random forests. Pattern Recogn. Lett. 33(12), 1580–1586 (2012)CrossRef
Metadaten
Titel
Object Recognition Based on Dynamic Random Forests and SURF Descriptor
verfasst von
Khaoula Jayech
Mohamed Ali Mahjoub
Copyright-Jahr
2017
Buch
Intelligent Data Engineering and Automated Learning – IDEAL 2017

Print ISBN: 978-3-319-68934-0

Electronic ISBN: 978-3-319-68935-7

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-68935-7_39

Premium Partner

    Bildnachweise