Strukturelle Modelle in der Bildverarbeitung
Final Report Abstract
Im Förderzeitraum wurden in diesem Projekt im wesentlichen zwei Fragestellungen der strukturellen Mustererkennung untersucht. Am Beispiel der Modellierung von Formwissen für visuelle Objekte wurde untersucht, wie sich hierarchische strukturelle Modelle aufbauen lassen, für die sich sowohl verschiedene Varianten der Erkennung als auch Methoden des statistischen Lernens geeignet formulieren und effizient lösen lassen. Insbesondere wurden dabei zwei Grenzfälle untersucht - die globale Modellierung von Formwissen und die vollständig verteilte (assoziative) Modellierung von Formwissen. Beide Varianten als auch semiglobale Modelle lassen sich hierarchisch kombinieren. Im Bereich der Theorie und insbesondere der algorithmischen Lösbarkeit von Erkennungsaufgaben in strukturellen Modellen wurde zunächst für den (min, +)-Semiring eine Kombination des A*-Algorithmus mit LP-Relaxationen als Heuristik vorgeschlagen und untersucht. Es lässt sich zeigen, dass diese Herangehensweise auch auf andere relevante Semiringe übertragbar ist.
Publications
- A probabilistic segmentation scheme. In Gerhard Rigoll, editor, Pattern Recognition, volume 5096 of LNCS, pages 183-192. Springer, 2008
Dmitrij Schlesinger and Boris Flach
- Combining shape priors and mrf-segmentation. In Niels da Vitoria Lobo et al.. Structural, Syntactic, and Statistical Pattern Recognition, pages 177-186. Springer, 2008
Boris Flach and Dmitrij Schlesinger
- General search algorithms for energy minimization problems. In Daniel Cremers et al. Energy Minimization Methods in Computer Vision and Pattern Recognition, volume 5681 of Lecture Notes in Computer Science, pages 84-97. Springer, 2009
Dmitrij Schlesinger
