Sprachen

Dynamisches Lernen zur geometrischen und graphischen Objekterfassung

Abstract: 

In diesem Vorhaben soll die Problemstellung der Erkennung von Objekten über Bildaufnahmen über einen hybriden Ansatz gelöst werden. Das zugrundeliegende Konzept kombiniert die aktive visuelle Erfassung von Objekten mit heuristischen Verfahren, um effiziente, leistungsfähige Problemlösungen zu finden. Dazu werden auch Methoden des aktiven Computersehens und des Reinforcement-Learning kombiniert und weiterentwickelt. Dabei soll das Wissen über die Möglichkeiten des Lernens von Strategien bei Problemen des Sehens erweitert werden. Das praktische Ziel ist ein "intelligenter", sehensbasierter Scanner, der selbstständig Verarbeitungsverfahren zur aktiven Erfassung von starren Objekten erlernt.

Beschreibung: 

Computergraphik und Computersehen befassen sich gleichermaßen mit der visuellen Erscheinung von Objekten der realen Welt. Eine wesentliche Problemstellung des Computersehens ist die Erkennung von Objekten über Bildaufnahmen. Eine wichtige Aufgabe in der Computergraphik ist die Erstellung eines rechnerinternen Abbilds von Objekten aus Bildaufnahmen, etwa zum Zweck der gestalterischen Weiterverarbeitung (geometrische Modellierung) oder der graphischen Darstellung. Die aktuelle Situation ist weitgehend geprägt von der Trennung der Objektaufnahme und der Weiterverarbeitung der aufgenommenen Daten. Häufig genügen die aufgenommenen Daten nicht den Anforderungen der Weiterverarbeitung. Ein üblicher Weg, damit zurechtzukommen, ist die Entwicklung heuristischer Verfahren mit dem Ziel, auf intuitive Weise dennoch praktisch brauchbare Ergebnisse zu erzielen. Ein anderer Ansatz, der bei den genannten Problemstellungen bisher unterschiedlich intensiv verfolgt wurde, ist die aktive visuelle Erfassung von Objekten. Das bedeutet, dass der Datenverarbeitungsteil während der Verarbeitung Einfluss auf die Datenerfassung hat. Ein Ansatz zur Minderung des Arbeitsaufwandes zum Auffinden von Verarbeitungsverfahren ist, den Rechner selbst geeignete Verfahren anhand gegebener Zielvorgaben erlernen zu lassen, analog zum Vorbild des Menschen. Auch dies wurde bei den genannten Aufgaben bisher nur im geringen Umfang verfolgt. In diesem Vorhaben sollen beide Ansätze angewandt werden, um effiziente, leistungsfähige Problemlösungen zu finden. Dazu sollen Methoden des aktiven Computersehens und des Reinforcement-Learning kombiniert und weiterentwickelt werden. Dabei soll das Wissen über die Möglichkeiten des Lernens von Strategien bei Problemen des Sehens erweitert werden. Das praktische Ziel ist ein "intelligenter", sehensbasierter Scanner, der selbstständig Verarbeitungsverfahren zur aktiven Erfassung von starren Objekten erlernt.

Bearbeiter: 
  • Klaus Häming
  • Gabriele Peters
Status: 
Aktiv
Zeitraum: 

seit 2001

Förderung: 

DFG-Förderung von 2004 bis 2007

Publikationen: 
  • Klaus Häming, Gabriele Peters, Extension of the Generalized Image Rectification - Catching the Infinity Cases, 4th International Conference on Informatics in Control, Automation, and Robotics (ICINCO 2007), Angers, France, May 9-12, 2007
  • Gabriele Peters, Thomas Leopold, Dynamic Learning Of Action Patterns For Object Acquisition, International Journal of Intelligent Systems Technologies and Applications 2(2/3), pp. 113-124, 2007
  • Lars Heyden, Rolf.P Würtz, Gabriele Peters, Supplementing Bundle Adjustment with Evolutionary Algorithms, IEEE International Conference on Visual Information Engineering (VIE 2006), September 26-28, 2006, Bangalore, India
  • Gabriele Peters, A Vision System for Interactive Object Learning, IEEE International Conference on Computer Vision Systems (ICVS 2006), New York City, USA, January 5-7, 2006
  • Gabriele Peters, Thomas Leopold, Dynamic Learning of Action Patterns for Object Acquisition, Proceedings of the International Workshop on Automatic Learning and Real-Time (ALaRT 2005), pp. 15-22, Siegen, Germany, September 7-8, 2005
  • Gabriele Peters, Thomas Leopold, Claus-Peter Alberts, Markus Briese, Sebastian Entian, Christian Gabriel, Zhiqiang Gao, Alexander Klandt, Jan Schultze, Jeremias Spiegel, Jürgen Thyen, Martina Vaupel, Peter Voß, Qing Zhu, Adaptive Object Acquisition, Proceedings of the Workshop Self-Organization and Emergence, 18th International Conference on Architecture of Computing Systems (ARCS 2005), VDE Verlag, pp. 117-121, Innsbruck, Austria, March 14-17, 2005
  • Gabriele Peters, Efficient Pose Estimation Using View-Based Object Representations, Machine Vision and Applications, Vol. 16 (1), pp. 59-63, 2004