(High-level Vision)
Wintersemester 2004/05
Bernd Neumann
neumann@informatik.uni-hamburg.de
Einführung in Bildverstehen
* Übersicht über Ziele und Methoden von Bildverstehen
* Ziele der höheren Bilddeutung
* Stand der Kunst für Szeneninterpretation
Historische Beispiele
* Arbeiten von Badler, Tsotsos, Hogg
* NAOS: Sprachliche Beschreibung von Verkehrsszenen
Relationalvergleich
* Repräsentation von Szenen als Relationalstrukturen
* Vergleichsverfahren
Logik-basierte Bildinterpretation
* Beschreibungslogiken
* Bildinterpretation als Deduktion
* Logische Fundierung der Bildinterpretation
Erkennen von Aggregaten
* Aggregate als Vorgangsmodelle
* Konzepthierarchien und Partonomien
* Schnittstelle zwischen Signal- und Symbolverarbeitung
* Realwelt-Constraints
* Interpretationsstrategien
Erkennen von Absichten
* Planen
* Planerkennung
Räumliches und zeitliches Schließen
* Quantitative und qualitative räumliche Relationen
* Quantitative und qualitative zeitliche Relationen
* Diskrete Zeitpunktalgebra
Probabilistische Modelle
* Bayes Netze
* Hidden Markov Modelle
* Probabilistische räumliche Informationen
Lernen
* Lernen von Wahrscheinlichkeitsverteilungen
* Ballungsanalyse
* Konzeptlernen
Anwendungen
* Überwachung
* Smart Rooms
* Assistenzroboter
Image Processing, Analysis and Machine Vision
M. Sonka, V. Hlavac, R. Boyle
Chapman & Hall 1993Computer Vision
D.H. Ballard, C.M. Brown
Prentice-Hall 1982
Folien zur Vorlesung
Part1: Introduction
Part2: Historical Examples
Part3: Knowledge Representation
Part4: Relational Structures
Part5: Description Logics
Part6: Scene Interpretation with DL
Part7: Constraints
Part8: Scene Interpretation as Configuration
Part9: Probabilistic Occurrence Models
Part10: Robot Localization and Mapping
Part11: Video-based Event Detection (Hongeng)
Part12: Probabilistic Models for Hierarchical Knowledge Bases