Computer Vision

Nachklausurergebnisse

00_CV_Einf├╝hrung

Themen

Kurvendetektion, Formdetektion
Finden von Kanten, Eckpunkten und Interest-Points in Bildern
Duplikatensuche
Texturanalyse
Face Detection
Mustererkennung
Support Vector Machines
Restricted Boltzmann Machines
elementares „Bildverstehen“

Materialien (Pdfs) (1 bzw. 6 Folien pro Seite)

01_CV_Kanten_Hough-Transformation
01_CV_Kanten_Hough-Transformation (6)

02_CV_Template_Matching
02_CV_Template_Matching (6)

03_CV_Face_Detection
03_CV_Face_Detection (6)
AdaBoost Excel Beispiel

04_CV_Interestpoints
04_CV_Interestpoints (6)

05_CV_SIFT und SURF
05_CV_SIFT und SURF (6)

06_CV_BagOfFeatures
06_CV_BagOfFeatures (6)

07_CV_Klassifikation
07_CV_Klassifikation (6)
Naive Bayes Excel Beispiel

Übungsaufgaben finden Sie bei Nico Hezel

Computer Vision Projekt

Stellen Sie Ihr realisiertes Projekt am 9.2.16 ab 15:45 vor, in dem Sie in einem kurzen Vortrag Ihre durchgeführten Untersuchungen und Ihre Projektergebnisse darstellen. Schreiben Sie weiterhin "wissenschaftliche" Auswertung über Ihre Untersuchungen und erzielten Ergebnisse (ca. 2 - 4 Seiten). Bitte schicken Sie diese Ausarbeitung und Ihr geziptes Projekt (mit Anleitung zur Benutzung) per Email bis spätestens 14.2.16 an Nico Hezel.

Das Projekt soll sich mit der Objektklassifikation befassen. Ziel ist es für Beispielbilder eine möglichst gute Klassifikation zu realisieren. Hierzu steht Ihnen zwei Bilderset mit jeweils unterschiedlichen Motiven (Bildklassen) zur Verfügung. Zu einem Bild soll Ihr Programm entscheiden, um welche Bildklasse es sich handelt. Sehen Sie für ihr Programm die Möglichkeit vor, die Qualitätsmaße Overall Correct Rate (rel. Anteil der korrekt klassifizierten Ergebnisse) und den Mean Rank auszugeben. Stellen Sie weiterhin die Confusion Matrix dar.

Mögliche Szenarien/Realisierungsmöglichkeiten für die Objekterkennung für Ihr Projekt
entstehen durch die Kombination der Elemente der Spalten der folgenden Tabelle

Auswahl
Bereiche /
Bildpunkte

Bestimmung der Features

Quantisierung

Histogramm

Klassen-Entscheidung
/Bewertung

alle Pixel

zufällig

regelmäßiges Raster

Eckpunkte

SIFT-Keypoint-Detektion

...

Durchschnittsfarbe

Pixelwerte der Umgebung:
Intensitäten/Farbwerte

Kantenhistogramm
der Umgebung

SIFT-Features

SURF-Features

...

keine

lineare Quantisierung

Vektorquantisierung

keines

Histogramm-Bildung

Diskriminative Verfahren

einfache Abstandsmaße

absoluter Abstand

euklidischer Abstand

...


Generative Verfahren

...

Fett markiert:
Einfachst mögliche Realisierung durch Vergleich der Durchschnittsfarben der Bilder

Kursiv markiert:
Objektkategorisierung wie im Foliensatz Bag-of-features beschrieben.