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

In der bisherigen Forschung im Bereich Maschinensehen lassen sich zwei zentrale problem erkennen: Erstens schinelle Sehverfahren den Fähigkeiten menschlicher bebacher oftmals weit unterlegen。Zweitens werden regelmäßig verbesserte算法zur Lösung best estimmen bildverarbeitungsproblem （z.B. Segmentation，拐角检测）entwickelt, ohne daß garantiert werden kann， daß die vorgeschlagenen方法das gegebene Problem最优lösen。Der Bayes Ansatz erlaut es, Bildinformation and other gelerntes Wissen, ber unsere Umwelt zu kombinieren, um eine optimale Interpretation Der Bilddaten zu bestestimmen。本文提出了一种基于Bayes Ansatz - abgeliteitealgorithm的线性数学最优解算法Lösung。Zudem ermöglicht der Ansatz die - f<e:1> r menschliche Beobachter charteristische - Integration other gelernten Wissens。as Projekt befaß ßt siich mit der Repräsentation von object （Form, texture, Bewegung), dem Lernen von object （object）和der Integration de gelernten Wissens （Hilfe von Techniken）和den berichen Maschinenlernen， statistics and variationsrechung）机器人导航、人-机器交互、对象识别和跟踪等领域的计算机视觉算法研究。

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).