elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Applicability of Deep Learned vs Traditional Features for Depth Based Classification

Bracci, F und Li, M und Marton, Zoltan-Csaba und Kossyk, Ingo (2018) Applicability of Deep Learned vs Traditional Features for Depth Based Classification. In: 6th International Symposium on Computational Modeling of Objects Presented in Images, CompIMAGE 2018. Springer, Heidelberg. CompiImage18, 2018-07-02 - 2018-07-05, Krakow, Poland. doi: 10.1007/978-3-030-20805-9_13. ISBN 978-3-030-20804-2.

[img] PDF
1MB

Offizielle URL: https://www.springerprofessional.de/applicability-of-deep-learned-vs-traditional-features-for-depth-/16753580

Kurzfassung

In robotic applications often highly specific objects need to be recognized, e.g. industrial parts, for which methods can’t rely on the online availability of large labeled training data sets or pre-trained mod- els. This is especially valid for depth data, thus making it challenging for deep learning (DL) approaches. Therefore, this work analyzes the per- formance of various traditional (global or part-based) and DL features on a restricted depth data set, depending on the tasks complexity. While the sample size is small, we can conclude that pre-trained DL descriptors are the most descriptive but not by a statistically significant margin and therefore part-based descriptors are still a viable option for small but difficult 3D data sets.

elib-URL des Eintrags:https://elib.dlr.de/124865/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Applicability of Deep Learned vs Traditional Features for Depth Based Classification
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Bracci, Ffabio.bracci (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Li, Mmo.li (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Marton, Zoltan-CsabaZoltan.Marton (at) dlr.dehttps://orcid.org/0000-0002-3035-493XNICHT SPEZIFIZIERT
Kossyk, Ingoinkoss74 (at) gmail.comNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:Juli 2018
Erschienen in:6th International Symposium on Computational Modeling of Objects Presented in Images, CompIMAGE 2018
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.1007/978-3-030-20805-9_13
Herausgeber:
HerausgeberInstitution und/oder E-Mail-Adresse der HerausgeberHerausgeber-ORCID-iDORCID Put Code
Barneva, RNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Verlag:Springer, Heidelberg
Name der Reihe:Lecture Notes in Computer Science
ISBN:978-3-030-20804-2
Status:veröffentlicht
Stichwörter:3D shape descriptor, point cloud descriptor, deep learning features, object recognition, scene analysis
Veranstaltungstitel:CompiImage18
Veranstaltungsort:Krakow, Poland
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:2 Juli 2018
Veranstaltungsende:5 Juli 2018
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Technik für Raumfahrtsysteme
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R SY - Technik für Raumfahrtsysteme
DLR - Teilgebiet (Projekt, Vorhaben):R - Terrestrische Assistenz-Robotik (alt)
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Robotik und Mechatronik (ab 2013)
Hinterlegt von: Bracci, Fabio
Hinterlegt am:11 Dez 2018 23:00
Letzte Änderung:04 Jun 2024 12:45

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.