| Title: | Indoor vs. Outdoor Scene Classification for Mobile Robots |
| Other Titles: | Klasifikace scény na vnitřní a venkovní pro mobilní roboty |
| Authors: | Neduchal, Petr Gruber, Ivan Železný, Miloš |
| Citation: | NEDUCHAL, P., GRUBER, I., ŽELEZNÝ, M. Indoor vs. Outdoor Scene Classification for Mobile Robots. In: Interactive Collaborative Robotics, 5th International Conference, ICR 2020, St. Petersburg, Russia, October 7-9, Proceedings. Cham: Springer, 2020. s. 243-252. ISBN 978-3-030-60336-6, ISSN 0302-9743. |
| Issue Date: | 2020 |
| Publisher: | Springer |
| Document type: | konferenční příspěvek conferenceObject |
| URI: | 2-s2.0-85092904396 http://hdl.handle.net/11025/42722 |
| ISBN: | 978-3-030-60336-6 |
| ISSN: | 0302-9743 |
| Keywords: | Klasifikace prostředí;Mobilní robotika;Neuronové sítě;Strojové učení |
| Keywords in different language: | Environment classification;Mobile robotics;Neural networks;Machine learning |
| Abstract: | Tento článek se zabývá úkolem automatické klasifikace vnitřního a venkovního prostředí z obrazových dat s ohledem na budoucí využití v mobilní robotice. Pro požadavky tohoto výzkumu využíváme datovou sadu Miniplaces. Porovnáváme velké množství klasických přístupů strojového učení, jako je Support Vector Machine, k-Nearest Neighbor, Decision Tree nebo Naive Bayes pomocí různých metod popisu barev a textur na jedné datové sadě. Kromě toho používáme některé z nejdůležitějších přístupů založených na neuronových sítích z posledních čtyř let. Nejlepší testovaný přístup dosahuje přesnosti klasifikace 96,17%. Pokud je nám známo, tento článek představuje nejrozsáhlejší srovnání klasifikačních přístupů v úloze klasifikace vnitřního a venkovného prostředí, jaké kdy bylo provedeno na jednom datovém souboru. Zabýváme se také problémem rychlosti zpracování a diskutujeme o použití aplikovaných metod v robotických úlohách v reálném čase. |
| Abstract in different language: | This paper deals with the task of automatic indoor vs. outdoor classification from image data with respect to future usage in mobile robotics. For the requirements of this research, we utilize the Miniplaces dataset. We compare a large number of classic machine learning approaches such as Support Vector Machine, k-Nearest Neighbor, Decision Tree, or Naive Bayes using various color and texture description methods on a single dataset. Moreover, we employ some of the most important neural network-based approaches from the last four years. The best tested approach reaches 96.17% classification accuracy. To our best knowledge, this paper presents the most extensive comparison of classification approaches in the task of indoor vs. outdoor classification ever done on a single dataset. We also address the processing time problem, and we discuss using the applied methods in real-time robotic tasks. |
| Rights: | Plný text není přístupný. © Springer |
| Appears in Collections: | Konferenční příspěvky / Conference papers (NTIS) Konferenční příspěvky / Conference Papers (KKY) OBD |
Files in This Item:
| File | Size | Format | |
|---|---|---|---|
| neduchal2020_Chapter_IndoorVsOutdoorSceneClassificationForMobileRobots.pdf | 1,04 MB | Adobe PDF | View/Open Request a copy |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/42722Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.