Objektsegmentierung in Videodaten mittels Analyse von Punkttrajektorien

对象的学习将在学习过程中占据主导地位。这些培训手册是手工注释的，理想的培训材料和利润来源于大数据。随着水资源的增加，我们会发现，在训练数据中存在的问题越来越多。这一次的胜利是不自然的，因为在25年前，一个小孩子获得了克纳普20亿美元的资金。在这个项目中，视频中的图片自然的注释也被韦尔登用于分割对象，并通过一个单独的注释来增加注释的深度。只有一个物体和它的特征部分是韦尔登。韦尔登在Gegenetzu früheren Arbeiten längere Zeiträschen von mehreren Sekunden analysiert，um der zeitlich variierenden Qualität des Bewegungssignals Rechnung zu tragen. Mit der Erweiterung auf Videos einer Stereokamera soll schließlich ein weiteres，natürlich zur Verfügung stehendes Merkmal，nämlich die Disparität，zur räumlich-zeitlichen Segmentierung mit genutzt韦尔登.

Das Lernen von Objektrepräsentationen wird zur Zeit von überwachten Lernverfahren dominiert. Diese Verfahren benötigen manuell annotierte, idealerweise segmentierte Trainingsbilder und profitieren dabei von großen Datensätzen. Da deren Aquirierung jedoch aufwendig ist, wird meist versucht, das Erkennungsproblem mit möglichst wenig Trainingsdaten zu lösen. Diese Aufgabe erscheint unnatürlich, bedenkt man, dass ein Kleinkind im Alter von zwei Jahren bereits knapp zwei Milliarden Bilder gesehen hat. In diesem Projekt soll daher die natürliche Anordnung von Bildern in Videos ausgenutzt werden um Objekte vollautomatisch zu segmentieren und damit den aufwendigsten Teil der Annotierung durch einen unüberwachten Ansatz zu ersetzen. Insbesondere sollen Objekte anhand ihrer Eigenbewegung segmentiert werden. Dazu werden im Gegensatz zu früheren Arbeiten längere Zeiträume von mehreren Sekunden analysiert, um der zeitlich variierenden Qualität des Bewegungssignals Rechnung zu tragen. Mit der Erweiterung auf Videos einer Stereokamera soll schließlich ein weiteres, natürlich zur Verfügung stehendes Merkmal, nämlich die Disparität, zur räumlich-zeitlichen Segmentierung mit genutzt werden.