Partiell überwachtes Lernen von Modellen zur visuellen Szenenerkennung

Projektlaufzeit: 16.03.2015 - 15.03.2018

Die visuelle Objekt- und Szenenerkennung ist ein wichtiges Forschungsgebiet im Bereich des maschinellen Sehens. Die hochkomplexen Modellierungen aktueller Verfahren werden mit überwachten Lernverfahren auf umfangreichen Stichproben trainiert. Da diese hierfür vollständig annotiert sein müssen, entsteht beträchtlicher Aufwand, der die Verfahren nur begrenzt anwendbar macht.Alternativen zum überwachten Lernen stellen teil- oder komplett unüberwachte Verfahren dar, die jedoch isoliert betrachtet jeweils wesentliche prinzipielle Nachteile mit sich bringen. Daher soll in diesem Projekt ein Meta-Lernverfahren für die Objekt- und Szenenkategorisierung entwickelt werden. In diesem sollen unterschiedliche, teilweise überwachte Lernprozesse so ineinander greifen, dass eine detaillierte Analyse natürlicher Szenen mit möglichst geringem manuellem Aufwand möglich wird. Die wesentlichen Aspekte des Meta-Lernprozesses sind dabei die unüberwachte Bestimmung von Proto-Kategorien für Szenen, das web-basierte Lernen von für diese relevanten Objektmodellen, das teilüberwachte Lernen von Kontextbeziehungen in partiellen Szenen und das aktive Lernen strukturierter Szenenmodelle. Als zusätzliche Herausforderungen müssen dabei die beim teilüberwachten Lernen besonders wichtige Generalisierungsfähigkeit der Modellierungen, die Robustheit und Selbsteinschätzungsmöglichkeiten der Klassifikatoren und die Wechselwirkung zwischen Modellierungen unterschiedlicher Granularität behandelt werden.