Statistische Modellierung des Inhaltes von Online Videos zur automatisierten Detektion semantischer Konzepte in Videos

在线视频内容的统计建模，用于自动检测视频中的语义概念

• 批准号: 76019615
• 负责人: Professor Dr. Thomas Breuel
• 金额: --
• 依托单位: Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI)
• 依托单位国家: 德国
• 项目类别: Research Grants
• 财政年份: 2008
• 资助国家: 德国
• 起止时间: 2007-12-31 至 2011-12-31
• 项目状态: 已结题
• 来源: https://gepris.dfg.de/gepris/projekt/76019615?language=en
• 关键词: Statistische; Modellierung; des; Inhaltes; von

Eine der größten Herausforderungen im Bereich Computer Vision ist die Entwicklung von Systemes, die visuelle Konzepte wie Objekte, Orte und Tätigkeiten, in Videos und Bildern erkennen. Üblicherweise wird dazu die Erscheinung von Konzepten aus einem Satz annotierter Trainings-Bilder oder Videos gelernt. Die erforderlichen Annotationen werden von Hand erzeugt. Dies ist ein zeitraubender Vorgang der ein fundamentales Problem für das Training und Testen von Erkennungssystemen darstellt. Die Zielsetzung dieses Antrages ist die Erstellung eines Systems, das stattdessen von einem neuartigen Typ Trainingsdaten lernt. Dabei handelt es sich um Online Videos, die über Portale wie youtube in größeren Mengen frei zugänglich sind. Die Annotationen, welche die Anwender für Videos vergeben, sollen dazu verwendet werden ein Erkennungssystem in schwach überwachter Form zu trainieren. Um solches visuelles Lernen zu ermöglichen, wollen wir auf einige etablierte Verfahren für Bilddaten zurückgreifen, für die das Lernen von Online Daten bereits untersucht wurde. Im Unterschied dazu wollen wir den Schwerpunkt auf die Eigenheiten von Videodaten legen und dabei besonders die folgenden Fragen beantworten:Wie wählt / kombiniert man Merkmale für Videoinhalte? Verschiedene semantische Konzepte werden am besten durch unterschiedliche visuelle Eigenschaften beschrieben. Wir planen die Untersuchung verschiedener Merkmale (z.B. Textur und Bewegung) sowie ihrer geeigneter Fusion mittels Methoden des maschinellen Lernens. Können wir Videoabschnitte identifizieren die für ein Konzept relevant sind? Es ist möglich, dass ein Konzept nur in bestimmten Abschnitten aber nicht in allen Teilen eines Videos sichtbar ist. Um diese relevanten Abschnitte zu identifizieren und daraus verbesserte Konzeptmodelle zu erzeugen, planen wir unüberwachte Topic Modelle für den zeitlichen Bereich zu adaptieren. Wie können Objektmodelle durch Bewegungssegmentierung verbessert werden? Objekte können im Video aufgrund ihrer spezifischen Bewegung vom Hintergrund getrennt werden. Wir planen die Untersuchung verschiedener Möglichkeiten Objekterkennung mit bewegungsbasierter Segmentierung zu kombinieren.

一个在计算机视觉领域的大规模开发是系统的开发，视觉概念如物体、奥尔特和触觉、视频和图像。我们将从一份培训图片或视频的注释中获得对Konzepten的评价。这些注释韦尔登的作品。Dies ist ein zeitraubender Vorgang der ein fundamentales Problem für das Training und Testen von Erkennungssystemen darstelt.这些错误是一个系统的错误，这是一个新的典型培训数据的统计。Dabei handelt es sich um Online Videos，die über Portale wie youtube in größeren Mengen frei zugänglich sind. Die Annotationen，welche die Anwender für Videos vergeben，sollen dazu verwendet韦尔登ein Erkennungssystem in schwach überwachter Form zu trainieren. Um solches visuelles Lernen zu ermöglichen，wollen wir auf einige etablierte Verfahren für Bilddaten zurückgreifen，für die das Lernen von Online Daten bereits untersucht wurde.我们希望通过视频数据本身的特点来实现视频数据的传输，并希望通过视频数据的传输来实现视频数据的传输：视频数据的传输是如何进行的？语义概念韦尔登最好是通过视觉特征来表达的。我们计划对Merkmale（z.B.纹理和外观），所以他们的geeigneter融合mittels方法的机器Lernens。我们可以通过视频来识别相关的概念吗？这是möglich，这是一个Konzept努尔在最好的Abschnitten但不是在艾伦Teilen eines视频sichtbar ist。Um diese relevanten Abschnitte zu identifizieren und daraus verbesserte Konzeptmodelle zu erzeugen，planen wir unüberwachte Topic Modelle für den zeitlichen Bereich zu adaptieren.如何通过对韦尔登进行分割来建立对象模型？Objekte können im Video aufgrund ihrer spezifischen Bewegung vom Hintergrund getrennt韦尔登.我们计划使用基于细分的组合方法来验证Möglichkeiten对象。