Auf Grundlage der Bayes`schen Methoden sollen sowohl optimale als auch effiziente Algorithmen für den Bereich Maschinensehen entwickelt werden

• Antragsteller: Professor Dr. Daniel Cremers
• Fachliche Zuordnung: Sicherheit und Verlässlichkeit, Betriebs-, Kommunikations- und verteilte Systeme
• Förderung: Förderung von 2005 bis 2013
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 5448725

In der bisherigen Forschung im Bereich Maschinensehen lassen sich zwei zentrale Probleme erkennen: Erstens sind maschinelle Sehverfahren den Fähigkeiten menschlicher Beobachter oftmals weit unterlegen. Zweitens werden regelmäßig verbesserte Algorithmen zur Lösung bestimmen Bildverarbeitungsprobleme (z.B. Segmentation, Comer Detection) entwickelt, ohne daß garantiert werden kann, daß die vorgeschlagenen Methoden das gegebene Problem optimal lösen. Der Bayes Ansatz erlaubt es, Bildinformation und vorher gelerntes Wissen über unsere Umwelt zu kombinieren, um eine optimale Interpretation der Bilddaten zu bestimmen. Die aus dem Bayes Ansatz abgeleiteten Algorithmen garantieren damit eine mathematisch optimale Lösung des gegebenen Problems unter bestimmten Annahmen. Zudem ermöglicht der Ansatz die - für menschliche Beobachter charakteristische - Integration vorher gelernten Wissens. Das Projekt befaßt sich mit der Repräsentation von Objekten (Form, Textur, Bewegung), dem Lernen von Objektmerkmalen und der Integration des gelernten Wissens mit Hilfe von Techniken aus den Bereichen Maschinenlernen, Statistik und Variationsrechnung. Die innerhalb des Projektes entwickelten Computer Vision Algorithmen werden in Echtzeit-Anwendungen validiert (Robot Navigation, Mensch-Maschine-Interaktion, Objekterkennung und Tracking).

• DFG-Verfahren: Emmy Noether-Nachwuchsgruppen (Aktionsplan Informatik)