Добірка наукової літератури з теми "Embedded Systems, Computer Vision, Object Classification"
Оформте джерело за APA, MLA, Chicago, Harvard та іншими стилями
Ознайомтеся зі списками актуальних статей, книг, дисертацій, тез та інших наукових джерел на тему "Embedded Systems, Computer Vision, Object Classification".
Біля кожної праці в переліку літератури доступна кнопка «Додати до бібліографії». Скористайтеся нею – і ми автоматично оформимо бібліографічне посилання на обрану працю в потрібному вам стилі цитування: APA, MLA, «Гарвард», «Чикаго», «Ванкувер» тощо.
Також ви можете завантажити повний текст наукової публікації у форматі «.pdf» та прочитати онлайн анотацію до роботи, якщо відповідні параметри наявні в метаданих.
Статті в журналах з теми "Embedded Systems, Computer Vision, Object Classification"
Medina, Adán, Juana Isabel Méndez, Pedro Ponce, Therese Peffer, and Arturo Molina. "Embedded Real-Time Clothing Classifier Using One-Stage Methods for Saving Energy in Thermostats." Energies 15, no. 17 (August 23, 2022): 6117. http://dx.doi.org/10.3390/en15176117.
Повний текст джерелаSengan, Sudhakar, Ketan Kotecha, Indragandhi Vairavasundaram, Priya Velayutham, Vijayakumar Varadarajan, Logesh Ravi, and Subramaniyaswamy Vairavasundaram. "Real-Time Automatic Investigation of Indian Roadway Animals by 3D Reconstruction Detection Using Deep Learning for R-3D-YOLOv3 Image Classification and Filtering." Electronics 10, no. 24 (December 10, 2021): 3079. http://dx.doi.org/10.3390/electronics10243079.
Повний текст джерелаOsipov, Aleksey, Ekaterina Pleshakova, Sergey Gataullin, Sergey Korchagin, Mikhail Ivanov, Anton Finogeev, and Vibhash Yadav. "Deep Learning Method for Recognition and Classification of Images from Video Recorders in Difficult Weather Conditions." Sustainability 14, no. 4 (February 20, 2022): 2420. http://dx.doi.org/10.3390/su14042420.
Повний текст джерелаZhang, Dong, Alok Desai, and Dah-Jye Lee. "Using synthetic basis feature descriptor for motion estimation." International Journal of Advanced Robotic Systems 15, no. 5 (September 1, 2018): 172988141880383. http://dx.doi.org/10.1177/1729881418803839.
Повний текст джерелаMohan, Navya, and James Kurian. "Design and implementation of shape-based feature extraction engine for vision systems using Zynq SoC." International journal of electrical and computer engineering systems 13, no. 2 (February 28, 2022): 109–17. http://dx.doi.org/10.32985/ijeces.13.2.3.
Повний текст джерелаKalms, Lester, Pedram Amini Rad, Muhammad Ali, Arsany Iskander, and Diana Göhringer. "A Parametrizable High-Level Synthesis Library for Accelerating Neural Networks on FPGAs." Journal of Signal Processing Systems 93, no. 5 (March 15, 2021): 513–29. http://dx.doi.org/10.1007/s11265-021-01651-5.
Повний текст джерелаParise, Cesare V., Cesare V. Parise, and Marc O. Ernst. "Multisensory mechanisms for perceptual disambiguation. A classification image study on the stream–bounce illusion." Multisensory Research 26 (2013): 96–97. http://dx.doi.org/10.1163/22134808-000s0068.
Повний текст джерелаLi, Junfeng, Dehai Zhang, Yu Ma, and Qing Liu. "Lane Image Detection Based on Convolution Neural Network Multi-Task Learning." Electronics 10, no. 19 (September 27, 2021): 2356. http://dx.doi.org/10.3390/electronics10192356.
Повний текст джерелаNayyar, Anand, Pijush Kanti Dutta Pramankit, and Rajni Mohana. "Introduction to the Special Issue on Evolving IoT and Cyber-Physical Systems: Advancements, Applications, and Solutions." Scalable Computing: Practice and Experience 21, no. 3 (August 1, 2020): 347–48. http://dx.doi.org/10.12694/scpe.v21i3.1568.
Повний текст джерелаKim, Iuliia, João Pedro Matos-Carvalho, Ilya Viksnin, Tiago Simas, and Sérgio Duarte Correia. "Particle Swarm Optimization Embedded in UAV as a Method of Territory-Monitoring Efficiency Improvement." Symmetry 14, no. 6 (May 24, 2022): 1080. http://dx.doi.org/10.3390/sym14061080.
Повний текст джерелаДисертації з теми "Embedded Systems, Computer Vision, Object Classification"
Fagg, Ashton J. "Why capture frame rate matters for embedded vision." Thesis, Queensland University of Technology, 2018. https://eprints.qut.edu.au/117072/1/Ashton_Fagg_Thesis.pdf.
Повний текст джерелаBartoli, Giacomo. "Edge AI: Deep Learning techniques for Computer Vision applied to embedded systems." Master's thesis, Alma Mater Studiorum - Università di Bologna, 2018. http://amslaurea.unibo.it/16820/.
Повний текст джерелаÖrn, Fredrik. "Computer Vision for Camera Trap Footage : Comparing classification with object detection." Thesis, Uppsala universitet, Avdelningen för visuell information och interaktion, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-447482.
Повний текст джерелаParvez, Bilal. "Embedded Vision Machine Learning on Embedded Devices for Image classification in Industrial Internet of things." Thesis, KTH, Skolan för informations- och kommunikationsteknik (ICT), 2017. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-219622.
Повний текст джерелаMaskiner har blivit extremt bra på bildklassificering i nära realtid. På grund av maskininlärning med kraftig träningsdata, kan kraftfulla maskiner utbildas för att känna igen bilder så bra som alla människor skulle. Hittills har trenden varit att få bilderna skickade till en server och sedan få servern att känna igen bilderna. Men eftersom sensorerna ökar i antal, går trenden mot så kallad "edge computing" för att stryka den ökande graden av dataöverföring och kommunikationsflaskhalsar. Tanken är att göra bearbetningen lokalt eller så nära sensorn som möjligt och sedan bara överföra aktiv data till servern. Samtidigt som detta löser överflöd av kommunikationsproblem, speciellt i industriella inställningar, skapar det ett nytt problem. Sensorerna måste kunna göra denna beräkningsintensiva bildklassificering ombord vilket speciellt är en utmaning för inbyggda system och bärbara enheter, på grund av sin resursbegränsade natur. Denna avhandling analyserar maskininlärningsalgoritmer och biblioteken från motivationen att portera generiska bildklassificatorer till inbyggda system. Att jämföra olika övervakade maskininlärningsmetoder för bildklassificering, utreda vilka som är mest lämpade för att bli porterade till inbyggda system, för att göra processen att testa och implementera maskininlärningsalgoritmer lika enkelt som sina skrivbordsmodeller. Målet är att underlätta processen för att portera nya bildigenkännings och klassificeringsalgoritmer på en mängd olika inbyggda system och att ge motivation bakom designbeslut som tagits och för att beskriva det snabbaste sättet att skapa en prototyp med "embedded vision design". Det slutliga förslaget går igenom all hänsyn till konstruktion och implementerar en prototyp som är maskinvaruoberoende och kan användas för snabb framtagning av prototyper och sedan senare överföring av maskininlärningsklassificatorer till inbyggda system.
Palazzo, Simone. "Hybrid human-machine vision systems for automated object segmentation and categorization." Doctoral thesis, Università di Catania, 2017. http://hdl.handle.net/10761/3985.
Повний текст джерелаWallenberg, Marcus. "Components of Embodied Visual Object Recognition : Object Perception and Learning on a Robotic Platform." Licentiate thesis, Linköpings universitet, Datorseende, 2013. http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-93812.
Повний текст джерелаEmbodied Visual Object Recognition
Simons, Taylor Scott. "High-Speed Image Classification for Resource-Limited Systems Using Binary Values." BYU ScholarsArchive, 2021. https://scholarsarchive.byu.edu/etd/9097.
Повний текст джерелаLindqvist, Zebh. "Design Principles for Visual Object Recognition Systems." Thesis, Luleå tekniska universitet, Institutionen för system- och rymdteknik, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:ltu:diva-80769.
Повний текст джерелаHuttunen, S. (Sami). "Methods and systems for vision-based proactive applications." Doctoral thesis, Oulun yliopisto, 2011. http://urn.fi/urn:isbn:9789514296536.
Повний текст джерелаTiivistelmä Ihmisen ja eri laitteiden välisellä vuorovaikutuksella on keskeinen osa nyky-yhteiskunnassa. Teknisten laitteiden lisääntymisen myötä vuorovaikutustavat ovat myös muuttumassa. Tulevaisuuden järjestelmien tulisi olla proaktiivisia, jotta ne voisivat sopeutua ihmisten liikkeisiin ja toimintoihin ilman tietoista ohjausta. Ilmaisuvoimansa ansiosta visuaalisella tiedolla on keskeinen rooli tällaisessa epäsuorassa ihminen-tietokone –vuorovaikutuksessa. Tämän vuoksi on selvää, että kamerat yhdessä laskentaresurssien ja konenäkömenetelmien kanssa tarjoavat huomaamattoman tavan ihmisten toiminnan analysointiin. Lukuisista eduistaan huolimatta konenäön soveltaminen ei ole aina suoraviivaista. Yleensä jokainen sovellus asettaa erikoisvaatimuksia käytettäville menetelmille. Tästä syystä väitöskirjassa on päämääränä kehittää uusia kuvatietoon perustuvia menetelmiä ja järjestelmiä, joita voidaan hyödyntää proaktiivisissa sovelluksissa. Tässä väitöskirjassa esitellään kaksi proaktiivista sovellusta, jotka molemmat hyödyntävät tietokonenäköä. Ensimmäinen sovellus on etäopetusjärjestelmä, joka valitsee ja vaihtaa kuvalähteen automaattisesti. Järjestelmään esitellään myös ohjattavaan kameraan perustava laajennus, jonka avulla opettajaa voidaan seurata hänen liikkuessaan eri puolilla luokkahuonetta. Toinen proaktiivisen tekniikan sovellus on tarkoitettu mobiililaitteisiin. Kehitetty järjestelmä kykenee tunnistamaan maisemakuvat, jolloin kameran kuvaustila voidaan asettaa automaattisesti. Monissa sovelluksissa on tarpeen käyttää useampia kameroita. Tämän seurauksena eri puolille ympäristöä sijoitettavat älykkäät kamerat ovat olleet viime vuosina erityisen kiinnostuksen kohteena. Suurin osa kehityksestä on kuitenkin keskittynyt lähinnä eri konenäköalgoritmeihin tai yksittäisiin sovelluksiin. Sen sijaan panostukset yleisiin ja helposti laajennettaviin ratkaisuihin, jotka mahdollistavat erilaisten menetelmien, sensoreiden ja tiedonvälityskanavien käyttämisen, ovat olleet vähäisempiä. Tilanteen parantamiseksi väitöskirjassa esitellään hajautettujen sensoriverkkojen kehitykseen tarkoitettu avoin ja laajennettavissa oleva ohjelmistorunko. Menetelmien osalta tässä väitöskirjassa keskitytään useiden kohteiden seurantaan. Kehitetty seurantamenetelmä yhdistää saadut paikkamittaukset seurattaviin kohteisiin siten, että jokaiselle mittaukselle lasketaan todennäköisyys, jolla se kuuluu jokaiseen yksittäiseen seurattavaan kohteeseen. Seurantaongelman lisäksi työssä esitellään kaksi erilaista tapaa, joilla kohteiden paikka kuvassa voidaan määrittää. Esiteltyä kokonaisuutta voidaan hyödyntää proaktiivisissa sovelluksissa, jotka tarvitsevat usean kohteen paikkatiedon tai kohteiden kulkeman reitin
Andersson, Dickfors Robin, and Nick Grannas. "OBJECT DETECTION USING DEEP LEARNING ON METAL CHIPS IN MANUFACTURING." Thesis, Mälardalens högskola, Akademin för innovation, design och teknik, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:mdh:diva-55068.
Повний текст джерелаDIGICOGS
Книги з теми "Embedded Systems, Computer Vision, Object Classification"
1977-, Mamic G. J., ed. Object recognition: Fundamentals and case studies. London: Springer, 2002.
Знайти повний текст джерелаBennamoun, M., and George Mamic. Object Recognition. Springer, 2002.
Знайти повний текст джерелаObject Recognition: Fundamentals and Case Studies. Springer, 2012.
Знайти повний текст джерелаЧастини книг з теми "Embedded Systems, Computer Vision, Object Classification"
Myers, Karl, and Emanuele Lindo Secco. "A Low-Cost Embedded Computer Vision System for the Classification of Recyclable Objects." In Intelligent Learning for Computer Vision, 11–30. Singapore: Springer Singapore, 2021. http://dx.doi.org/10.1007/978-981-33-4582-9_2.
Повний текст джерелаVadhanam, B. Rebecca Jeya, Mohan S., V. Sugumaran, Vani V., and V. V. Ramalingam. "Computer Vision Based Classification on Commercial Videos." In Advances in Computational Intelligence and Robotics, 105–35. IGI Global, 2017. http://dx.doi.org/10.4018/978-1-5225-0889-2.ch004.
Повний текст джерелаMusa, Aminu, Mohammed Hassan, Mohamed Hamada, Habeebah Adamu Kakudi, Md Faizul Ibne Amin, and Yutaka Watanobe. "A Lightweight CNN-Based Pothole Detection Model for Embedded Systems Using Knowledge Distillation." In Frontiers in Artificial Intelligence and Applications. IOS Press, 2022. http://dx.doi.org/10.3233/faia220281.
Повний текст джерелаJawad, M. Abdul, and Farida Khursheed. "Machine Learning-Aided Automatic Detection of Breast Cancer." In Advances in Healthcare Information Systems and Administration, 274–90. IGI Global, 2022. http://dx.doi.org/10.4018/978-1-7998-7709-7.ch016.
Повний текст джерелаTuzova, Lyudmila N., Dmitry V. Tuzoff, Sergey I. Nikolenko, and Alexey S. Krasnov. "Teeth and Landmarks Detection and Classification Based on Deep Neural Networks." In Computational Techniques for Dental Image Analysis, 129–50. IGI Global, 2019. http://dx.doi.org/10.4018/978-1-5225-6243-6.ch006.
Повний текст джерелаN., Raghu, Trupti V. N., Chandrashekhar Badachi, Balamurugan M., Md Firuz Mia N., Ashok Kumar S., and Niranjan Kannanugo. "Autonomous Vehicles Using OpenCV and Python With Wireless Charging." In Advances in Civil and Industrial Engineering, 76–101. IGI Global, 2023. http://dx.doi.org/10.4018/978-1-6684-8816-4.ch006.
Повний текст джерелаRamaiah, Alageswaran, Arun K. S., Yathishan D., Sriram J., and Palanivel S. "Role of Deep Learning in Image and Video Processing." In Advances in Computational Intelligence and Robotics, 115–31. IGI Global, 2022. http://dx.doi.org/10.4018/978-1-7998-8892-5.ch007.
Повний текст джерелаТези доповідей конференцій з теми "Embedded Systems, Computer Vision, Object Classification"
Pauly, Nicholas, and Nader I. Rafla. "An automated embedded computer vision system for object measurement." In 2013 IEEE 56th International Midwest Symposium on Circuits and Systems (MWSCAS). IEEE, 2013. http://dx.doi.org/10.1109/mwscas.2013.6674846.
Повний текст джерелаAghdam, Hamed H., Elnaz J. Heravi, Selameab S. Demilew, and Robert Laganiere. "RAD: Realtime and Accurate 3D Object Detection on Embedded Systems." In 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). IEEE, 2021. http://dx.doi.org/10.1109/cvprw53098.2021.00322.
Повний текст джерелаElhoseiny, Mohamed, Amr Bakry, and Ahmed Elgammal. "MultiClass Object Classification in Video Surveillance Systems - Experimental Study." In 2013 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). IEEE, 2013. http://dx.doi.org/10.1109/cvprw.2013.118.
Повний текст джерелаThokrairak, Sorawit, Kittiya Thibuy, Chalermpan Fongsamut, and Prajaks Jitngernmadan. "Optimal Object Classification Model for Embedded Systems based on Pre-trained Models." In 2021 25th International Computer Science and Engineering Conference (ICSEC). IEEE, 2021. http://dx.doi.org/10.1109/icsec53205.2021.9684656.
Повний текст джерелаTripathi, Subarna, Gokce Dane, Byeongkeun Kang, Vasudev Bhaskaran, and Truong Nguyen. "LCDet: Low-Complexity Fully-Convolutional Neural Networks for Object Detection in Embedded Systems." In 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). IEEE, 2017. http://dx.doi.org/10.1109/cvprw.2017.56.
Повний текст джерелаLiu, Yang, Evan Gunnell, Yu Sun, and Hao Zheng. "An Object-Driven Collision Detection with 2D Cameras using Artificial Intelligence and Computer Vision." In 11th International Conference on Embedded Systems and Applications (EMSA 2022). Academy and Industry Research Collaboration Center (AIRCC), 2022. http://dx.doi.org/10.5121/csit.2022.120626.
Повний текст джерелаArth, Clemens, Christian Leistner, and Horst Bischof. "Robust Local Features and their Application in Self-Calibration and Object Recognition on Embedded Systems." In 2007 IEEE Conference on Computer Vision and Pattern Recognition. IEEE, 2007. http://dx.doi.org/10.1109/cvpr.2007.383419.
Повний текст джерелаUjiie, Takayuki, Masayuki Hiromoto, and Takashi Sato. "Interpolation-Based Object Detection Using Motion Vectors for Embedded Real-time Tracking Systems." In 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). IEEE, 2018. http://dx.doi.org/10.1109/cvprw.2018.00104.
Повний текст джерелаTahiri, Mohamed Amine, Ahmed Bencherqui, Hicham Karmouni, Mohamed Ouazzani Jamil, Mhamed Sayyouri, and Hassan Qjidaa. "Optimal 3D object reconstruction and classification by separable moments via the Firefly algorithm." In 2022 International Conference on Intelligent Systems and Computer Vision (ISCV). IEEE, 2022. http://dx.doi.org/10.1109/iscv54655.2022.9806106.
Повний текст джерелаXiao, Yang, Chuanjun Zhang, Kevin Inck, and Vijaykrishnan Narayanan. "Dynamic bandwidth adaptation using recognition accuracy prediction through pre-classification for embedded vision systems." In 2013 IEEE 31st International Conference on Computer Design (ICCD). IEEE, 2013. http://dx.doi.org/10.1109/iccd.2013.6657020.
Повний текст джерела