Multimodale Spärlichkeitsmodelle zur Segmentierung visuell erfasster Objekte

• Antragsteller: Professor Dr. Daniel Cremers; Professor Dr.-Ing. Klaus Diepold, seit 8/2016
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2015 bis 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 263894508

• Erstellungsjahr: 2021

Zusammenfassung der Projektergebnisse

In diesem Projekt haben wir Konzepte von Sparsity und multimodaler Signalverarbeitung entwickelt und für die Analyse von Bilddaten, insbesondere die Bildsegmentierung nutzbar gemacht. Wir haben eine Reihe von Durchbrüchen erzielen können, in den Bereichen Bild- und Signalverarbeitung, Sparsity Modelling, multimodale Segmentierung und unüberwachtes Lernen von Operatoren. Das Projekt hatte auch neuartige Zusammenarbeit mit der Arbeitsgruppe von Prof. Steinbach ausgelöst, wobei die Erkenntnisse von Martin Kiechle für die Bearbeitung von 3D-Punktwolken übernommen und eingearbeitet wurden.

Projektbezogene Publikationen (Auswahl)

• Co-Sparse Textural Similarity for Interactive Segmentation. ECCV (6) 2014: 285-301
  Claudia Nieuwenhuis, Simon Hawe, Martin Kleinsteuber, Daniel Cremers
  
• Interactive Multi-label Segmentation of RGB-D Images. Scale Space and Variational Methods 2015: 294-306
  Julia Diebold, Nikolaus Demmel, Caner Hazirbas, Michael Möller, Daniel Cremers
  
• Learning Nonlinear Spectral Filters for Color Image Reconstruction. ICCV 2015: 289-297
  Michael Möller, Julia Diebold, Guy Gilboa, Daniel Cremers
  
• CPA-SLAM: Consistent plane-model alignment for direct RGB-D SLAM. ICRA 2016: 1285-1291
  Lingni Ma, Christian Kerl, Jörg Stückler, Daniel Cremers
  
• Midrange Geometric Interactions for Semantic Segmentation - Constraints for Continuous Multi-label Optimization. International Journal of Computer Vision 117(3): 199-225 (2016)
  Julia Diebold, Claudia Nieuwenhuis, Daniel Cremers
  
• Multi-view deep learning for consistent semantic mapping with RGB-D cameras. IROS 2017: 598-605
  Lingni Ma, Jörg Stückler, Christian Kerl, Daniel Cremers
  
• Noise-resistant Unsupervised Object Segmentation in Multi-view Indoor Point Clouds. VISIGRAPP (5: VISAPP), 149-156
  Dmytro Bobkov, Sili Chen, Martin Kiechle, Simon Hilsenbeck, Eckehard Steinbach
  
• Room segmentation in 3D point clouds using anisotropic potential fields. Multimedia and Expo (ICME), 2017 IEEE International Conference on, 727-732
  Dmytro Bobkov, Martin Kiechle, Simon Hilsenbeck, Eckehard Steinbach
  
• Model-Based Learning of Local Image Features for Unsupervised Texture Segmentation. IEEE Trans. Image Processing 27(4): 1994-2007 (2018)
  Martin Kiechle, Martin Storath, Andreas Weinmann, Martin Kleinsteuber
  
• Model-based learning of co-sparse representations for image processing applications. München, 2019
  Martin Kiechle
  
• Trace Quotient with Sparsity Priors for Learning Low Dimensional Image Representations. IEEE Transactions on Pattern Analysis and Machine Intelligence (2019)
  Xian Wei, Hao Shen, Martin Kleinsteuber