Auf Grundlage der Bayes`schen Methoden sollen sowohl optimale als auch effiziente Algorithmen für den Bereich Maschinensehen entwickelt werden

基于贝叶斯方法，将开发机器视觉领域的最优且高效的算法

• 批准号: 5448725
• 负责人: Professor Dr. Daniel Cremers
• 金额: --
• 依托单位: Lehrstuhl für Informatik IX: Bildverarbeitung und Künstliche Intelligenz
• 依托单位国家: 德国
• 项目类别: Independent Junior Research Groups
• 财政年份: 2005
• 资助国家: 德国
• 起止时间: 2004-12-31 至 2012-12-31
• 项目状态: 已结题
• 来源: https://gepris.dfg.de/gepris/projekt/5448725?language=en
• 关键词: Auf; Grundlage; der; Bayes; schen

In der bisherigen Forschung im Bereich Maschinensehen lassen sich zwei zentrale Probleme erkennen: Erstens sind maschinelle Sehverfahren den Fähigkeiten menschlicher Beobachter oftmals weit unterlegen. Zweitens werden regelmäßig verbesserte Algorithmen zur Lösung bestimmen Bildverarbeitungsprobleme (z.B. Segmentation, Comer Detection) entwickelt, ohne daß garantiert werden kann, daß die vorgeschlagenen Methoden das gegebene Problem optimal lösen. Der Bayes Ansatz erlaubt es, Bildinformation und vorher gelerntes Wissen über unsere Umwelt zu kombinieren, um eine optimale Interpretation der Bilddaten zu bestimmen. Die aus dem Bayes Ansatz abgeleiteten Algorithmen garantieren damit eine mathematisch optimale Lösung des gegebenen Problems unter bestimmten Annahmen. Zudem ermöglicht der Ansatz die - für menschliche Beobachter charakteristische - Integration vorher gelernten Wissens. Das Projekt befaßt sich mit der Repräsentation von Objekten (Form, Textur, Bewegung), dem Lernen von Objektmerkmalen und der Integration des gelernten Wissens mit Hilfe von Techniken aus den Bereichen Maschinenlernen, Statistik und Variationsrechnung. Die innerhalb des Projektes entwickelten Computer Vision Algorithmen werden in Echtzeit-Anwendungen validiert (Robot Navigation, Mensch-Maschine-Interaktion, Objekterkennung und Tracking).

在Bereich Maschinensehen的bisherigen Forschung中，我们发现了两个中心问题：第一个问题是机械安全性问题，而第二个问题是机械安全性问题。Zweitens韦尔登regelmäßig verbesserte problemen zur Lösung bestimmen Bildverarbeitungsprobleme（z.B. Segmentation，Comer Detection）entwickelt，ohne dauntgarantiert韦尔登kann，dauntdie vorgeschlagenen Methoden das gegebene Problem optimal lösen.贝叶斯分析是一种将图像信息和其他知识结合起来的方法，是对图像数据的最佳解释。基于贝叶斯分析的最优估计可以保证最优解的最优解。Zudem ermöglicht der Answer die - für menschliche Beobachter charakteristische - Integration vorher gelernten Wissens.该项目具有物体的形状、纹理、形状的再现性，物体的形状学以及利用机械、统计学和变分研究技术进行的知识集成。Die innerhalb des Projektes entwickelten Computer Vision在Echtzeit-Anwendungen validiert（机器人导航，人机交互，目标识别和跟踪）中的韦尔登。