Bienvenido: Ingresar
location: Diferencias para "Vision/ProyectosVision/RobotVision2012"
Diferencias entre las revisiones 2 y 10 (abarca 8 versiones)
⇤ ← Versión 2 con fecha 2012-04-25 11:59:18 →
Tamaño: 368
Editor: Jaarac
Comentario:
← Versión 10 con fecha 2012-04-25 14:27:46 → ⇥
Tamaño: 1343
Editor: JorgeSanchez
Comentario:
Los textos eliminados se marcan así. Los textos añadidos se marcan así.
Línea 4: Línea 4:
Experimentos realizados para la 4º edición de la competencia ""Robot Vision Challenge"". Experimentos realizados para la 4º edición de la competencia ''''Robot Vision Challenge - ImageCLEF''''.
Línea 7: Línea 7:

== Cosas que vamos a tener que probar ==

 * Aumentar los conjuntos de datos con la versión espejada de las imágenes

 * Algún pre-procesamiento para estabilizar el "motion blur" y el "flickering"

 * Descriptores de colores

  * J. van de Weijer, C. Schmid, J. Verbeek, D. Larlus. "Learning Color Names for Real-World Applications", IEEE TIP, 2009.

  http://lear.inrialpes.fr/people/vandeweijer/color_names.html

== Repositorio con los scripts para replicar los experimentos ==

== 25 abril 2012 ==
=== Experimento 1 ===
==== Configuración ====

 * Descriptores: SIFT sobre grilla regular (DSIFT de vlfeat), patchs 32x32, paso=8, L2-norm., D=128

 * PCA: subespacio aprendido sobre training1+training2+training3, D=80

 * GMM: aprendido sobre training1+training2+training3

 * IFV: gradientes resp. medias y varianzas, alpha=0.5, pnorm=2.0

 * SGD: hinge loss, 20 iteraciones

==== Resultados ====

||1||2||
||3||4||

Robot Vision 2012

Experimentos realizados para la 4º edición de la competencia 'Robot Vision Challenge - ImageCLEF'.

Robot Vision 2012 Web Site

Cosas que vamos a tener que probar

  • Aumentar los conjuntos de datos con la versión espejada de las imágenes
  • Algún pre-procesamiento para estabilizar el "motion blur" y el "flickering"
  • Descriptores de colores

Repositorio con los scripts para replicar los experimentos

25 abril 2012

Experimento 1

Configuración

  • Descriptores: SIFT sobre grilla regular (DSIFT de vlfeat), patchs 32x32, paso=8, L2-norm., D=128
  • PCA: subespacio aprendido sobre training1+training2+training3, D=80
  • GMM: aprendido sobre training1+training2+training3
  • IFV: gradientes resp. medias y varianzas, alpha=0.5, pnorm=2.0
  • SGD: hinge loss, 20 iteraciones

Resultados

1

2

3

4

None: Vision/ProyectosVision/RobotVision2012 (última edición 2013-08-10 22:52:45 efectuada por Jaarac)