Centre de documentation
scientifique

Road sign detection in images : a case study / Rachid Belaroussi (2010)  

Public Titre : Road sign detection in images : a case study Type de document : Article/Communication Auteurs : Rachid Belaroussi, Auteur ; Philippe Foucher, Auteur ; Jean-Philippe Tarel, Auteur ; Bahman Soheilian , Auteur ; Pierre Charbonnier, Auteur ; Nicolas Paparoditis , Auteur Editeur : Saint-Mandé : Institut Géographique National - IGN (2008-2011) Année de publication : 2010 Projets : ITowns / Paparoditis, Nicolas Conférence : ICPR 2010, 20th IAPR International Conference on Pattern Recognition 23/08/2010 26/08/2010 Istanbul Turquie Proceedings IEEE Importance : 5 p. Format : 21 x 30 cm Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes IGN] analyse comparative [Termes IGN] détection automatique [Termes IGN] détection de contours [Termes IGN] image terrestre [Termes IGN] iTowns [Termes IGN] signalisation routière Résumé : (Auteur) Road sign identification in images is an important issue, in particular for vehicle safety applications. It is usually tackled in three stages: detection, recognition and tracking, and evaluated as a whole. To progress towards better algorithms, we focus in this paper on the first stage of the process, namely road sign detection. More specifically, we compare, on the same ground-truth image database, results obtained by three algorithms that sample different state-of-the-art approaches. The three tested algorithms: Contour Fitting, Radial Symmetry Transform, and pair-wise voting scheme, all use color and edge information and are based on geometrical models of road signs. The test dataset is made of 847 images 960 x 1080 of complex urban scenes (available at www.itowns.fr/benchmarking.html). They feature 251 road signs of different shapes (circular, rectangular, triangular), sizes and types. The pros and cons of the three algorithms are discussed, allowing to draw new research perspectives. Numéro de notice : 10864 Affiliation des auteurs : MATIS+Ext (1993-2011) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/ICPR.2010.1125 En ligne : https://doi.org/10.1109/ICPR.2010.1125 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=64227

Support vectors selection for supervised learning using an ensemble approach / Li Guo (2010)  

Public Titre : Support vectors selection for supervised learning using an ensemble approach Type de document : Article/Communication Auteurs : Li Guo, Auteur ; Samia Boukir, Auteur ; Nesrine Chehata , Auteur Editeur : New-York : IEEE Computer society Année de publication : 2010 Conférence : ICPR 2010, 20th IAPR International Conference on Pattern Recognition 23/08/2010 26/08/2010 Istanbul Turquie Proceedings IEEE Importance : pp 37 - 40 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes IGN] classification par séparateurs à vaste marge [Termes IGN] théorie des ensembles Résumé : (auteur) Support Vector Machines (SVMs) are popular for pattern classification. However, training a SVM requires large memory and high processing time, especially for large datasets, which limits their applications. To speed up their training, we present a new efficient support vector selection method based on ensemble margin, a key concept in ensemble classifiers. This algorithm exploits a new version of the margin of an ensemble-based classification and selects the smallest margin instances as support vectors. Our experimental results show that our method reduces training set size significantly without degrading the performance of the resulting SVMs classifiers. Numéro de notice : C2010-073 Affiliation des auteurs : MATIS+Ext (1993-2011) Thématique : IMAGERIE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/ICPR.2010.18 En ligne : https://doi.ieeecomputersociety.org/10.1109/ICPR.2010.18 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102056