Článek ve sborníku konference

ŠŮSTEK Martin, VÍDEŇSKÝ František, ZBOŘIL František a ZBOŘIL František V.. Family Coat of Arms and Armorial Achievement Classification. In: Intelligent Systems Design and Applications. Los Alamitos: Springer International Publishing, 2019, s. 650-658. ISSN 2194-5357.
Jazyk publikace:angličtina
Název publikace:Family Coat of Arms and Armorial Achievement Classification
Název (cs):Klasifikace rodových a úplných erbů
Strany:650-658
Sborník:Intelligent Systems Design and Applications
Konference:18th International Conference on Intelligent Systems Designs and Applications
Řada knih:Advances in Intelligent Systems and Computing, vol 941
Místo vydání:Los Alamitos, US
Rok:2019
Časopis:Advances in Intelligent Systems and Computing, roč. 2019, č. 2, CZ
ISSN:2194-5357
DOI:10.1007/978-3-030-16660-1_56
Vydavatel:Springer International Publishing
Klíčová slova
erb, klasifikace obrazu, konvoluční neuronová síť, umělá inteligence, strojové učení
Anotace
Tento článek se zabývá klasifikací rodových a úplných erbů. Je velmi složité získat datovou sadu, protože dle našich informací neexistuje žádná veřejně dostupná datová sada obsahující erby. Z toho důvodu jsme rozšířili náši sadu pomocí techniky Neural Style Transfer a jednoduchých transformací.  Diskutujeme výsledky konvolučních neurnových sítí, které byly trénované od začátku nebo byly předtrénovány na Imagenet  datasetu. Popisujeme také úpravy architektur těchto sítí. Nejlepších výsledků jsme dosáhli pomocí VGG architektury. Ukazujeme přesnost během trénování, per-class přesnost a také normalizovanou matici záměn pro VGG16 architekturu. Dosáhli jsme top-1 přestnost kolem 60% a top-5 přestnost 80%. Podle našeho nejlepšícho vědomí, toto je první práce, která se zabívá klasifikací erbů, proto nemůžeme porovnat naše výsledky s ostaními.
Abstrakt
This paper presents an approach to classification of family coats of arms and armorial achievement. It is difficult to obtain images with coats of arms, not many of them are publicly available. To the best of our knowledge, there is no dataset. Therefore, we artificially extend our dataset using Neural Style Transfer technique and simple image transformations. We describe our dataset and the division into training and test sets that respects the lack of data examples. We discuss results obtained with both small convolutional neural network (convnet) trained from scratch and modified architectures of various convnets pretrained on Imagenet dataset. This paper further focuses on the VGG architecture which produces the best accuracy. We show accuracy progress during training, per-class accuracy and a normalized confusion matrix for VGG16 architecture. We reach top-1 accuracy of nearly 60% and top-5 accuracy of 80%. To the best of our knowledge, this is the first family coats of arms classification work, so we cannot compare our results with others.
BibTeX:
@INPROCEEDINGS{
   author = {Martin {\v{S}}{\r{u}}stek and Franti{\v{s}}ek
	V{\'{i}}de{\v{n}}sk{\'{y}} and Franti{\v{s}}ek
	Zbo{\v{r}}il and V. Franti{\v{s}}ek Zbo{\v{r}}il},
   title = {Family Coat of Arms and Armorial Achievement
	Classification},
   pages = {650--658},
   booktitle = {Intelligent Systems Design and Applications},
   series = {Advances in Intelligent Systems and Computing, vol 941},
   journal = {Advances in Intelligent Systems and Computing},
   volume = {2019},
   number = {2},
   year = {2019},
   location = {Los Alamitos, US},
   publisher = {Springer International Publishing},
   ISSN = {2194-5357},
   doi = {10.1007/978-3-030-16660-1_56},
   language = {english},
   url = {http://www.fit.vutbr.cz/research/view_pub.php.cs?id=11848}
}

Vaše IPv4 adresa: 54.86.132.30
Přepnout na https