Neue Ansätze für Mustererkennung und automatisches Lernen
|
|
- Clara Hofmeister
- vor 6 Jahren
- Abrufe
Transkript
1 Z Y X Neue Ansätze für Mustererkennung und automatisches Lernen Vortrag im Rahmen des 2. Technologieforums Bildverarbeitung am 03./04. November 2015 Johannes Zügner STEMMER IMAGING GmbH, Puchheim
2 GLIEDERUNG Einführung in das Thema Beschreibung der Aufgabenstellung Was bedeutet Lagebestimmung genau? Vorstellen zweier Lösungsansätze Image Features & Bag of Words Klassifikation Vorstellung eines Suchklassifikators Gegenüberstellung der beiden Verfahren Zusammenfassung und Ausblick Bewertung des aktuellen Standes Zukünftige Entwicklungen 2
3 BESCHREIBUNG DER AUFGABENSTELLUNG Aufgabe der Mustererkennung: Suchen und Finden von angelernten Objekten Beispielhafte Anwendungen: Abzählen von Bauteilen, Pick & Place usw. Musterbild Szenenbild [Blendswap] 7
4 BESCHREIBUNG DER AUFGABENSTELLUNG Aufgabe der Mustererkennung: Suchen und Finden von angelernten Objekten Beispielhafte Anwendungen: Abzählen von Bauteilen, Pick & Place usw. Musterbild Szenenbild [Blendswap] 8
5 BESCHREIBUNG DER AUFGABENSTELLUNG Aufgabe der Mustererkennung: Suchen und Finden von angelernten Objekten Beispielhafte Anwendungen: Abzählen von Bauteilen, Pick & Place usw. Die Aufgabe geht oft über das Finden der Bauteile hinaus 2D: konkrete Orientierung und Skale der Bauteile ist von Interesse Orientierung 0 Orientierung 45 Orientierung 135 GE 10 SE-128 M12 GE 10 AS-96 M12 GE 10 CX-32 M12 11
6 BESCHREIBUNG DER AUFGABENSTELLUNG Aufgabe der Mustererkennung: Suchen und Finden von angelernten Objekten Beispielhafte Anwendungen: Abzählen von Bauteilen, Pick & Place usw. Die Aufgabe geht oft über das Finden der Bauteile hinaus 2D: konkrete Orientierung und Skale der Bauteile ist von Interesse 3D: Rigid Transform [R,t] mit 6 Freiheitsgraden Z Y Z Y X [R,t] X 2D-Bildebene der Kamera 3D Szene 15
7 BESCHREIBUNG DER AUFGABENSTELLUNG Aufgabe der Mustererkennung: Suchen und Finden von angelernten Objekten Beispielhafte Anwendungen: Abzählen von Bauteilen, Pick & Place usw. Die Aufgabe geht oft über das Finden der Bauteile hinaus 2D: konkrete Orientierung und Skale der Bauteile ist von Interesse 3D: Rigid Transform [R,t] mit 6 Freiheitsgraden Z Z Y X Z Y X Y X Z Y X Z Y 2D-Bildebene der Kamera 3D Szene X 16
8 BESCHREIBUNG DER AUFGABENSTELLUNG Aufgabe der Mustererkennung: Suchen und Finden von angelernten Objekten Beispielhafte Anwendungen: Abzählen von Bauteilen, Pick & Place usw. Die Aufgabe geht oft über das Finden der Bauteile hinaus 2D: konkrete Orientierung und Skale der Bauteile ist von Interesse 3D: Rigid Transform [R,t] mit 6 Freiheitsgraden Zusammenfassung Lage eines gefundenen Objektes = die Pose im Folgenden werden zwei Verfahren für die Mustererkennung und Posenschätzung vorgestellt 19
9 GLIEDERUNG Einführung in das Thema Beschreibung der Aufgabenstellung Was bedeutet Lagebestimmung genau? Vorstellen zweier Lösungsansätze Image Features & Bag of Words Klassifikation Vorstellung eines Suchklassifikators Gegenüberstellung der beiden Verfahren Zusammenfassung und Ausblick Bewertung des aktuellen Standes Zukünftige Entwicklungen 20
10 IMAGE FEATURES & BAG OF WORDS Extraktion von Image Features mittels SIFT, KAZE & binary Feature Deskriptoren Extraktion von markanten Punkten in Eckstrukturen Berechnung von Deskriptoren, der Fingerabdruck 24
11 IMAGE FEATURES & BAG OF WORDS Extraktion von Image Features mittels SIFT, KAZE & binary Feature Deskriptoren Extraktion von markanten Punkten in Eckstrukturen Berechnung von Deskriptoren, der Fingerabdruck Bag of Visual Words Zusammenführung der Deskriptoren, analog zu einem Wörterbuch Clustern z.b. via FLANN, k-means, SVM usw. Cluster 3 Cluster 1 Cluster 2 [Blendswap/Wikipedia/Wikia] Bag of Words 28
12 IMAGE FEATURES & BAG OF WORDS Anwenden des Bag of Words für Klassifikationsaufgaben Cluster 3 Cluster 1 Cluster 2 Bag of Words 30
13 IMAGE FEATURES & BAG OF WORDS Anwenden des Bag of Words für Klassifikationsaufgaben Zuordnung der extrahierten Features Auswerten des Histogramms Cluster 3 Cluster 1 Szenenbild p C1 C2 C3 Cluster 2 Bag of Words Histogramm Cluster 35
14 IMAGE FEATURES & BAG OF WORDS Anwenden des Bag of Words für Klassifikationsaufgaben Zuordnung der extrahierten Features Auswerten des Histogramms Punktkorrespondenzen für die Pose Cluster 3 Cluster 1 Szenenbild p C1 C2 C3 Cluster 2 Bag of Words Histogramm Cluster 36
15 IMAGE FEATURES & BAG OF WORDS Vorteile des Verfahrens Robuste Suchergebnisse bei einer Vielzahl von Posen Robustheit gegenüber Helligkeitsänderungen 39
16 IMAGE FEATURES & BAG OF WORDS Vorteile des Verfahrens Robuste Suchergebnisse bei einer Vielzahl von Posen Robustheit gegenüber Helligkeitsänderungen Nachteile des Verfahrens Benötigt Objekte mit markanten Bildstrukturen [Stemmer/Wiki] 41
17 IMAGE FEATURES & BAG OF WORDS Vorteile des Verfahrens Robuste Suchergebnisse bei einer Vielzahl von Posen Robustheit gegenüber Helligkeitsänderungen Nachteile des Verfahrens Benötigt Objekte mit markanten Bildstrukturen Ausführungsgeschwindigkeit niedrig Zeit (ms) Eckpunkte Deskriptoren Clustering [Stemmer/Rewe] 43
18 IMAGE FEATURES & BAG OF WORDS Vorteile des Verfahrens Robuste Suchergebnisse bei einer Vielzahl von Posen Robustheit gegenüber Helligkeitsänderungen Nachteile des Verfahrens Benötigt Objekte mit markanten Bildstrukturen Ausführungsgeschwindigkeit niedrig Lizenzkosten von SIFT Alternativen ungenauer oder unwesentlich schneller Motivation für die Suche nach einer Alternative 46
19 GLIEDERUNG Einführung in das Thema Beschreibung der Aufgabenstellung Was bedeutet Lagebestimmung genau? Vorstellen zweier Lösungsansätze Image Features & Bag of Words Klassifikation Vorstellung eines Suchklassifikators Gegenüberstellung der beiden Verfahren Zusammenfassung und Ausblick Bewertung des aktuellen Standes Zukünftige Entwicklungen 47
20 Klassische Mustersuche Auffinden eines antrainierten Musters mittels Fenstersuche Metrik entscheidet, ob Treffer oder nicht (z.b. Korrelation, Regression usw.) Muster Szenenbild 51
21 Klassische Mustersuche Auffinden eines antrainierten Musters mittels Fenstersuche Metrik entscheidet, ob Treffer oder nicht (z.b. Korrelation, Regression usw.) Muster Szenenbild (Zehn)-tausende Vergleiche! 52
22 Klassische Mustersuche Auffinden eines antrainierten Musters mittels Fenstersuche Metrik entscheidet, ob Treffer oder nicht (z.b. Korrelation, Regression usw.) Probleme: Performance, Änderungen des Szenenbildes (Geometrie, Schatten usw.) Muster Szenenbild 53
23 Klassische Mustersuche Auffinden eines antrainierten Musters mittels Fenstersuche Metrik entscheidet, ob Treffer oder nicht (z.b. Korrelation, Regression usw.) Probleme: Performance, Änderungen des Szenenbildes (Geometrie, Schatten usw.) Muster Szenenbild 54
24 Klassische Mustersuche Auffinden eines antrainierten Musters mittels Fenstersuche Metrik entscheidet, ob Treffer oder nicht (z.b. Korrelation, Regression usw.) Probleme: Performance, Änderungen des Szenenbildes (Geometrie, Schatten usw.) Muster Szenenbild?! 55
25 Klassische Mustersuche Auffinden eines antrainierten Musters mittels Fenstersuche Metrik entscheidet, ob Treffer oder nicht (z.b. Korrelation, Regression usw.) Probleme: Performance, Änderungen des Szenenbildes (Geometrie, Schatten usw.) Muster Szenenbild 56
26 Klassische Mustersuche Auffinden eines antrainierten Musters mittels Fenstersuche Metrik entscheidet, ob Treffer oder nicht (z.b. Korrelation, Regression usw.) Probleme: Performance, Änderungen des Szenenbildes (Geometrie, Schatten usw.) Muster Szenenbild 57
27 Klassische Mustersuche Auffinden eines antrainierten Musters mittels Fenstersuche Metrik entscheidet, ob Treffer oder nicht (z.b. Korrelation, Regression usw.) Probleme: Performance, Änderungen des Szenenbildes (Geometrie, Schatten usw.) Muster Szenenbild?! 58
28 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Automatisches Lernen in CVB Polimago: Generierung zufälliger Lernbeispiele Für jedes Lernbeispiel: Feature-Extraktion mittels MRF (Multi Resolution Filter) & Regression (Tichonow) Speichern der zugrunde liegenden Transformation Muster-Datenbank Trainingsbild Nulllage 63
29 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Automatisches Lernen in CVB Polimago: Generierung zufälliger Lernbeispiele Für jedes Lernbeispiel: Feature-Extraktion mittels MRF (Multi Resolution Filter) & Regression (Tichonow) Speichern der zugrunde liegenden Transformation Muster-Datenbank Trainingsbild 90 Grad gedreht 64
30 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Automatisches Lernen in CVB Polimago: Generierung zufälliger Lernbeispiele Für jedes Lernbeispiel: Feature-Extraktion mittels MRF (Multi Resolution Filter) & Regression (Tichonow) Speichern der zugrunde liegenden Transformation Muster-Datenbank Trainingsbild -30 Grad gedreht 65
31 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Automatisches Lernen in CVB Polimago: Generierung zufälliger Lernbeispiele Für jedes Lernbeispiel: Feature-Extraktion mittels MRF (Multi Resolution Filter) & Regression (Tichonow) Speichern der zugrunde liegenden Transformation Muster-Datenbank Trainingsbild -30 Grad gedreht und 40 px verschoben 66
32 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Automatisches Lernen in CVB Polimago: Generierung zufälliger Lernbeispiele Für jedes Lernbeispiel: Feature-Extraktion mittels MRF (Multi Resolution Filter) & Regression (Tichonow) Speichern der zugrunde liegenden Transformation Muster-Datenbank Trainingsbild +45 Grad gedreht und 10 px verschoben 67
33 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Automatisches Lernen in CVB Polimago: Generierung zufälliger Lernbeispiele Für jedes Lernbeispiel: Feature-Extraktion mittels MRF (Multi Resolution Filter) & Regression (Tichonow) Speichern der zugrunde liegenden Transformation Muster-Datenbank Trainingsbild Die Anzahl der Lernbeispiele geht in die Tausende! 68
34 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Mit dem Klassifikator-Training lassen sich für die Posenschätzung viele Objektlagen antrainieren Zusätzlicher Vorteil: Steigerung der Ausführungsgeschwindigkeit Suche im Szenenbild Mustererkennung true negative 73
35 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Mit dem Klassifikator-Training lassen sich für die Posenschätzung viele Objektlagen antrainieren Zusätzlicher Vorteil: Steigerung der Ausführungsgeschwindigkeit Suche im Szenenbild Mustererkennung true negative 74
36 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Mit dem Klassifikator-Training lassen sich für die Posenschätzung viele Objektlagen antrainieren Zusätzlicher Vorteil: Steigerung der Ausführungsgeschwindigkeit Suche im Szenenbild Mustererkennung true negative 75
37 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Mit dem Klassifikator-Training lassen sich für die Posenschätzung viele Objektlagen antrainieren Zusätzlicher Vorteil: Steigerung der Ausführungsgeschwindigkeit Suche im Szenenbild Mustererkennung true negative 76
38 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Mit dem Klassifikator-Training lassen sich für die Posenschätzung viele Objektlagen antrainieren Zusätzlicher Vorteil: Steigerung der Ausführungsgeschwindigkeit Suche im Szenenbild Mustererkennung true negative 77
39 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Mit dem Klassifikator-Training lassen sich für die Posenschätzung viele Objektlagen antrainieren Zusätzlicher Vorteil: Steigerung der Ausführungsgeschwindigkeit Suche im Szenenbild Mustererkennung true negative 78
40 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Mit dem Klassifikator-Training lassen sich für die Posenschätzung viele Objektlagen antrainieren Zusätzlicher Vorteil: Steigerung der Ausführungsgeschwindigkeit Suche im Szenenbild Mustererkennung true negative 79
41 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Mit dem Klassifikator-Training lassen sich für die Posenschätzung viele Objektlagen antrainieren Zusätzlicher Vorteil: Steigerung der Ausführungsgeschwindigkeit Suche im Szenenbild Mustererkennung true negative 80
42 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Mit dem Klassifikator-Training lassen sich für die Posenschätzung viele Objektlagen antrainieren Zusätzlicher Vorteil: Steigerung der Ausführungsgeschwindigkeit Suche im Szenenbild Mustererkennung true negative 81
43 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Mit dem Klassifikator-Training lassen sich für die Posenschätzung viele Objektlagen antrainieren Zusätzlicher Vorteil: Steigerung der Ausführungsgeschwindigkeit Suche im Szenenbild Mustererkennung true negative 82
44 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Mit dem Klassifikator-Training lassen sich für die Posenschätzung viele Objektlagen antrainieren Zusätzlicher Vorteil: Steigerung der Ausführungsgeschwindigkeit Suche im Szenenbild Mustererkennung true negative 83
45 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Mit dem Klassifikator-Training lassen sich für die Posenschätzung viele Objektlagen antrainieren Zusätzlicher Vorteil: Steigerung der Ausführungsgeschwindigkeit Suche im Szenenbild Mustererkennung true negative 84
46 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Mit dem Klassifikator-Training lassen sich für die Posenschätzung viele Objektlagen antrainieren Zusätzlicher Vorteil: Steigerung der Ausführungsgeschwindigkeit Suche im Szenenbild Mustererkennung true positive 85
47 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Mit dem Klassifikator-Training lassen sich für die Posenschätzung viele Objektlagen antrainieren Zusätzlicher Vorteil: Steigerung der Ausführungsgeschwindigkeit Suche im Szenenbild Mustererkennung true positive Verschiebe: 10 px nach rechts, 80 px nach unten 86
48 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Mit dem Klassifikator-Training lassen sich für die Posenschätzung viele Objektlagen antrainieren Zusätzlicher Vorteil: Steigerung der Ausführungsgeschwindigkeit Suche im Szenenbild Mustererkennung 87
49 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Mit dem Klassifikator-Training lassen sich für die Posenschätzung viele Objektlagen antrainieren Zusätzlicher Vorteil: Steigerung der Ausführungsgeschwindigkeit Suche im Szenenbild Mustererkennung true positive 88
50 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Mit dem Klassifikator-Training lassen sich für die Posenschätzung viele Objektlagen antrainieren Zusätzlicher Vorteil: Steigerung der Ausführungsgeschwindigkeit Suche im Szenenbild Mustererkennung true positive Nullage gefunden 89
51 Neue Ansätze für die Mustersuche: Lerne, das Objekt zu finden Beispiel: Bildausschnitt von 268 x 252 Pixeln und eine Objektgröße von 64 x 64 Pixeln Suche mit Korrelation Ohne Bildpyramide Vergleiche 2-Schicht Bildpyramide Vergleiche 3-Schicht Bildpyramide Vergleiche Suche mit Polimago insgesamt 109 Vergleiche Suchergebnis enthält gesamte Objektpose 92
52 GLIEDERUNG Einführung in das Thema Beschreibung der Aufgabenstellung Was bedeutet Lagebestimmung genau? Vorstellen zweier Lösungsansätze Image Features & Bag of Words Klassifikation Vorstellung eines Suchklassifikators Gegenüberstellung der beiden Verfahren Zusammenfassung und Ausblick Bewertung des aktuellen Standes Zukünftige Entwicklungen 93
53 GEGENÜBERSTELLUNG DER VERFAHREN Qualitativer Vergleich Verfahren/Kriterium Bag of Words mit SIFT Features Suchklassifikator Invarianz gegenüber - geometrischen Transformationen - Helligkeitsänderungen vollständig affin (ASIFT) perspektivisch (PSIFT) ja (Normalisierung) vollständig affin (Training) denkbar ja (Training) Extraktion von Merkmalen Eckstrukturen benötigt beliebige Strukturen Mustererkennung - mehrfache Objektinstanzen - negative Samples nein (ja mit Erweiterungen) nein ja ja Ausführungsgeschwindigkeit niedrig hoch 95
54 GEGENÜBERSTELLUNG DER VERFAHREN Quantitativer Vergleich - Welche Genauigkeit ist zu erwarten? Vergleich von Polimago mit geometrischen Pattern Matcher (CVB ShapeFinder) 1/10 Pixel Positionierungsgenauigkeit 0,1 Grad Orientierungsgenauigkeit Vergleich mit einem etablierten Messsystem PTB-zertifizierte Ground Truth vorliegend [GOM & Engineeringcapacity] 99
55 GEGENÜBERSTELLUNG DER VERFAHREN Quantitativer Vergleich - Welche Genauigkeit ist zu erwarten? Vergleich von Polimago mit geometrischen Pattern Matcher (CVB ShapeFinder) 1/10 Pixel Positionierungsgenauigkeit 0,1 Grad Orientierungsgenauigkeit Vergleich mit einem etablierten Messsystem PTB-zertifizierte Ground Truth vorliegend Bestimmung der drei Eulerwinkel [Stemmer] 100
56 GEGENÜBERSTELLUNG DER VERFAHREN Quantitativer Vergleich - Welche Genauigkeit ist zu erwarten? Vergleich von Polimago mit geometrischen Pattern Matcher (CVB ShapeFinder) 1/10 Pixel Positionierungsgenauigkeit 0,1 Grad Orientierungsgenauigkeit Vergleich mit einem etablierten Messsystem PTB-zertifizierte Ground Truth vorliegend Bestimmung der drei Eulerwinkel 5 Grad Messgenauigkeit bis 60 Kippung [Stemmer] 101
57 GLIEDERUNG Einführung in das Thema Beschreibung der Aufgabenstellung Was bedeutet Lagebestimmung genau? Vorstellen zweier Lösungsansätze Image Features & Bag of Words Klassifikation Vorstellung eines Suchklassifikators Gegenüberstellung der beiden Verfahren Zusammenfassung und Ausblick Bewertung des aktuellen Standes Zukünftige Entwicklungen 102
58 ZUSAMMENFASSUNG Bewertung des aktuellen Standes Robuste Erkennung im Vorfeld angelernter Objekte Posenschätzung eines oder mehrerer Objekte gleichzeitig Geringe Laufzeiten geeignet für Tracking-Anwendungen [Stemmer] 105
59 ZUSAMMENFASSUNG Bewertung des aktuellen Standes Robuste Erkennung im Vorfeld angelernter Objekte Posenschätzung eines oder mehrerer Objekte gleichzeitig Geringe Laufzeiten geeignet für Tracking-Anwendungen Integration im neuen CVB-Release Zukünftige Entwicklungen Beschleunigung des Klassifikator-Trainings (GPU, SSE) Vorbereitung für die Plattformen Linux / ARM 108
60 NOCH FRAGEN? Treten Sie unserer LinkedIn-Gruppe EUROPEAN VISION TECHNOLOGY FORUM bei und diskutieren sie dort mit unseren Experten weiter.
61 Vielen Dank für Ihre Aufmerksamkeit! STEMMER IMAGING GmbH Gutenbergstraße Puchheim, Deutschland Telefon: Fax: j.zuegner@stemmer-imaging.de Ihr Ansprechpartner: Johannes Zügner
Navigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform. Thorsten Jost INF-M2 AW1 Sommersemester
Navigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform Thorsten Jost INF-M2 AW1 Sommersemester 2008 Agenda Motivation Feature Detection Beispiele Posenbestimmung in Räumen
MehrUSB3 Vision Wohin geht die Reise?
USB3 Vision Wohin geht die Reise? Rupert Stelz Gruppenleiter Bilderfassung STEMMER IMAGING GmbH Technologieforum Bildverarbeitung, 3. & 4. November 2015 ÜBERBLICK Die Technologie USB Eine schnelle Verbindung
MehrSupport Vector Machine und Ridge Regression in der digitalen Bildverarbeitung
Support Vector Machine und Ridge Regression in der digitalen Bildverarbeitung Volker Gimple, Gruppenleiter Bildverarbeitung STEMMER IMAGING GmbH, Puchheim INHALT (1) Einleitung Begriffsklärung Struktur
MehrWas bisher geschah. Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch
Was bisher geschah Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch Punktoperationen (Farbtransformation) f : col1 col
MehrInhaltliche Planung für die Vorlesung
Vorlesung: Künstliche Intelligenz - Mustererkennung - P LS ES S ST ME Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte der KI, PROLOG 2) Expertensysteme
MehrEntwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words
Entwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words André Viergutz 1 Inhalt Einführung. Einordnung der Arbeit in die zugrunde liegenden Konzepte Das Modell der Fields
MehrComputer Vision: SVM-Anwendungsbeispiele, Generalisierbarkeit
Computer Vision: SVM-Anwendungsbeispiele, Generalisierbarkeit D. Schlesinger TUD/INF/KI/IS Visual Categorization with Bags of Keypoints Recognizing Human Actions: A Local SVM Approach Shape Matching and
MehrImplizite Modellierung zur Objekterkennung in der Fernerkundung
Implizite Modellierung zur Objekterkennung in der Fernerkundung Mitarbeiterseminar 20.01.2011 (IPF) Fakultät für Bauingenieur-, Geo- und Umweltwissenschaften KIT Universität des Landes Baden-Württemberg
MehrEin Structure and Motion Ansatz zur Umfeldrekonstruktion in komplexen Fahrzeugumgebungen
Sicherheit durch Fahrerassistenz 2010 Ein Structure and Motion Ansatz zur Umfeldrekonstruktion in komplexen Fahrzeugumgebungen Wojciech Derendarz, Thorsten Graf Volkswagen AG Friedrich M. Wahl TU Braunschweig,
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung 01a: Einführung und Motivation Prof. Dr. Gudrun Socher Dozentin Dozentin Prof. Dr. Gudrun Socher (gudrun.socher@hm.edu) Sprechstunde Donnerstag 9:15-10:00 Uhr Anmeldung per E-Mail
MehrImplementierung und Evaluierung von Video Feature Tracking auf moderner Grafik Hardware
Implementierung und Evaluierung von Video Feature Tracking auf moderner Diplomarbeit vorgelegt von Sebastian Heymann Betreut von Prof. Dr. Bernd Fröhlich Bauhaus Universität t Dr. Aljoscha Smolic Fraunhofer
MehrSICURA. Sicherheits-Untersuchung mittels Röntgenbild-Analyse 2010-2013, gefördert vom BMBF. Bringing technology to life. Sebastian König 2013/07/08
SICURA Sicherheits-Untersuchung mittels Röntgenbild-Analyse 2010-2013, gefördert vom BMBF Sebastian König 2013/07/08 Bringing technology to life Smiths Detection: Proprietary Data www.smithsdetection.com
MehrVerfahren zur autonomen bildgestützten Navigation
Verfahren zur autonomen bildgestützten Navigation DGLR Workshop, 14. - 15.2.2007 Führungsaspekte unbemannter Luftfahrzeuge: Technologien und die Einbeziehung des Operateurs N. Schweyer, MBDA LFK-Lenkflugkörpersysteme
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Objekterkennung
INTELLIGENTE DATENANALYSE IN MATLAB Objekterkennung Objekterkennung Problemstellung Gegeben: Ein Bild. Fragestellungen: Klassifikationsproblem Ist ein bestimmtes Objekt (z.b. Flugzeug) auf dem Bild? Welches
MehrMerkmalerkennung am Beispiel SIFT
Merkmalerkennung am Beispiel SIFT Medieninformatik IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Wintersemester 2014/15 Andreas Unterweger (FH Salzburg) Merkmalerkennung
MehrStructure-from-Motion. Christina Mundhenk Leo Sylvio Rüdian Marcel Kliemannel
Structure-from-Motion Christina Mundhenk Leo Sylvio Rüdian Marcel Kliemannel Fahrplan Structure-from Motion Workflow mit SIFT & Bundle Adjustment mit SURE Probleme/ Grenzen Technik Metrik und Vergleich
MehrInnovationslabor Semantische Integration von Webdaten
Innovationslabor Semantische Integration von Webdaten Workflow-basierte Datenintegration und Objekt-Matching Dr. Andreas Thor http://dbs.uni-leipzig.de/format Workflow-basierte Datenintegration Ausgangspunkt
MehrMethoden zur Cluster - Analyse
Kapitel 4 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig Machine learning in bioinformatics
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
MehrComputer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17
Computer Vision: 3D-Geometrie D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),
MehrEinleitung 2. 1 Koordinatensysteme 2. 2 Lineare Abbildungen 4. 3 Literaturverzeichnis 7
Sonja Hunscha - Koordinatensysteme 1 Inhalt Einleitung 2 1 Koordinatensysteme 2 1.1 Kartesisches Koordinatensystem 2 1.2 Polarkoordinaten 3 1.3 Zusammenhang zwischen kartesischen und Polarkoordinaten 3
MehrKapitel 4: Schattenberechnung
Kapitel 4: Schattenberechnung 1 Überblick: Schattenberechnung Motivation Schattenvolumen Shadow Maps Projektive Schatten 2 Motivation Wesentlich für die Wahrnehmung einer 3D-Szene Eigentlich ein globaler
Mehr'Visual Hull' mit Hilfe von Spiegeln
'Visual Hull' mit Hilfe von Spiegeln hwww.dip.ee.uct.ac.za/~kforbes/doublemirror/doublemirror.html Dreidimensionales Computersehen Dr.-Ing. Simon Winkelbach www.rob.cs.tu-bs.de/teaching/courses/cs 1 Zur
MehrBildverarbeitung: 3D-Geometrie. D. Schlesinger () Bildverarbeitung: 3D-Geometrie 1 / 13
Bildverarbeitung: 3D-Geometrie D. Schlesinger () Bildverarbeitung: 3D-Geometrie 1 / 13 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),
MehrEntwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion
Entwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion Vortrag Seminararbeit David Pogorzelski Aachen, 22.01.2015 Agenda 1 2 3 4 5 Ziel der
MehrMichael Hoßfeld (Autor) Klassifikationssystem für Prägebildaufnahmen von Münzen
Michael Hoßfeld (Autor) Klassifikationssystem für Prägebildaufnahmen von Münzen https://cuvillier.de/de/shop/publications/2100 Copyright: Cuvillier Verlag, Inhaberin Annette Jentzsch-Cuvillier, Nonnenstieg
MehrBildmerkmalssuche. Seminar Computational Photography. Visual Computing Department of Computer Science
Bildmerkmalssuche Seminar Computational Photography EINFÜHRUNG 2 Einführung Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens Erkennen von Objekten auf dem Bild oder in einer Bildsequenz anhand
MehrEinführung in das Management im Gesundheitswesen
Einführung in das Management im Gesundheitswesen Einführung in das Management im Gesundheitswesen Verena Struckmann, Julia Röttger FG Management im Gesundheitswesen, Technische Universität Berlin (WHO
MehrHigh Level-Synthese eines Keypoint-Detection- Algorithmus für FPGAs
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Belegarbeit High Level-Synthese eines Keypoint-Detection- Algorithmus für FPGAs Max
MehrInhaltsbasierte Bildsuche. Matthias Spiller. 17. Dezember 2004
Kantenbasierte Merkmale für die Bildsuche Inhaltsbasierte Bildsuche Matthias Spiller 17. Dezember 2004 Übersicht Übersicht Einleitung Was sind Kanten? Kantenrichtungs Histogramm Der Canny-Algorithmus Feature-Erzeugung
MehrEinsatz von Tiefenkameras zur Mensch/Roboter-Überwachung
Einsatz von Tiefenkameras zur Mensch/Roboter-Überwachung Prof. Dr. Dominik Henrich Lehrstuhl für Angewandte Informatik III (Robotik und Eingebettete Systeme) Universität Bayreuth Technologie der Tiefenkameras
MehrObjekterkennung mit OpenCV
Roland Schellhorn Objekterkennung mit OpenCV 103 - Recent Advances in Multimedia Processing Abstract Die Analyse unterschiedlicher Objekterkennungsmethoden der Open Source Library OpenCV wird anhand eines
MehrSichtbarmachung von Geo-Daten für eine Suchmaschine
Sichtbarmachung von Geo-Daten für eine Suchmaschine Frauke Heinzle Monika Sester Institut für Kartographie und Geoinformatik (ikg) Universität Hannover Roter Faden EU-Projekt SPIRIT kurze Einleitung Pro
Mehrgeschlossene Schachtel mit einem kleinen Loch
Kameramodellierung Lochkamera Kamerakonstante Kamerazentrum geschlossene Schachtel mit einem kleinen Loch ideale Kamera: Loch hat keine Ausdehnung die Strahlen sind ein Büschel von Geraden Abbildung erfolgt
MehrTracking Technologien für Augmented Reality
Tracking Technologien für Augmented Reality 1 Inhalt Motivation Tracking Methoden Optisch MarkerlessTracking (kleine Wiederholung) Aktiv und Passive Marker Modellbasiertes Markerless Tracking Sensoren
MehrImproving the Accuracy of GPS
Improving the Accuracy of GPS Stephan Kopf, Thomas King, Wolfgang Effelsberg Lehrstuhl für Praktische Informatik IV Universität Mannheim Gliederung Motivation ierungsfehler von GPS Steigerung der Genauigkeit
MehrKamerabasierte Navigation im Inneren von Gebäuden Sebastian Hilsenbeck, Robert Huitl, Georg Schroth, Eckehard Steinbach
Technische Universität München Kamerabasierte Navigation im Inneren von Gebäuden Sebastian Hilsenbeck, Robert Huitl, Georg Schroth, Eckehard Steinbach Outdoor vs. Indoor Im Freien In Gebäuden No GPS reception
MehrAutomatic Photo Popup
André Jähnig Hauptseminar Graphische Datenverarbeitung TU Dresden Wintersemester 2005/06 Gliederung Überblick bisherige Arbeiten und die neue Idee geometrische Merkmale und geometrische Klassen Trainings-Daten
MehrDetektion von Eckpunkten und einfachen Kurven
Detektion von Eckpunkten und einfachen Kurven Industrielle Bildverarbeitung, Vorlesung No. 7 1 M. O. Franz 21.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005.
Mehr1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie
Gliederung 1. Motivation / Grundlagen 2. Sortierverfahren 3. Elementare Datenstrukturen / Anwendungen 4. Bäume / Graphen 5. Hashing 6. Algorithmische Geometrie 4/3, Folie 1 2010 Prof. Steffen Lange - HDa/FbI
MehrProjektpraktikum: Bildauswertung und fusion Wintersemester 2013 / 2014
Projektpraktikum: Bildauswertung und fusion Wintersemester 2013 / 2014 ies.anthropomatik.kit.edu Bildvergleich mittels Image Warping Themenbeschreibung: Zur Bildklassifikation oder Bildsuche können Image
MehrClusteranalyse. Anwendungsorientierte Einführung. R. Oldenbourg Verlag München Wien. Von Dr. Johann Bacher
Clusteranalyse Anwendungsorientierte Einführung Von Dr. Johann Bacher R. Oldenbourg Verlag München Wien INHALTSVERZEICHNIS Vorwort XI 1 Einleitung 1 1.1 Primäre Zielsetzung clusteranalytischer Verfahren
MehrMARKERLESS AUGMENTED REALITY. Henrik Brauer
MARKERLESS AUGMENTED REALITY Henrik Brauer Inhalt Was ist Augmented Reality Meine Motivation Grundlagen Positionsbestimmung mit Marker Positionsbestimmung ohne Marker Idee Risiken INHALT Augmented Reality
MehrProjektpraktikum: Bildauswertung und fusion Wintersemester 2011 / 2012
Projektpraktikum: Bildauswertung und fusion Wintersemester 2011 / 2012 http://www.ies.uni-karlsruhe.de Zeitlich adaptives Objekttracking in der Aufklärung und Überwachung Flugdrohne / visuell optischer
MehrSpace Usage Rules. Neele Halbur, Helge Spieker InformatiCup 2015 19. März 2015
Space Usage Rules? InformatiCup 2015 1 Agenda 1. Vorstellung des Teams 2. Entwicklungsprozess und Umsetzung 3. Verbesserung der Strategien 4. Auswertung der Strategien 5. Ausblick 6. Fazit 2 Vorstellung
MehrBild-Erkennung & -Interpretation
Kapitel I Bild-Erkennung & -Interpretation FH Aachen / Jülich, FB 9 Prof. Dr. rer.nat. Walter Hillen (Dig Img I) 1 Einführung Schritte zur Bilderkennung und Interpretation: Bild-Erfassung Vorverarbeitung
MehrBetrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion. Thorsten Jost INF-MA SR Wintersemester 2008/2009 1.
Betrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion Thorsten Jost INF-MA SR Wintersemester 2008/2009 1. Dezember 2008 Agenda Motivation Feature Detection SIFT MOPS SURF SLAM Monte Carlo
MehrFahrzeuglokalisierung anhand visueller Landmarken und einer digitalen Karte
Fahrzeuglokalisierung anhand visueller Landmarken und einer digitalen Karte Oliver Pink INSTITUT FÜR MESS- UND REGELUNGSTECHNIK KIT - Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
MehrEinführung in das Maschinelle Lernen I
Einführung in das Maschinelle Lernen I Vorlesung Computerlinguistische Techniken Alexander Koller 26. Januar 2015 Maschinelles Lernen Maschinelles Lernen (Machine Learning): äußerst aktiver und für CL
MehrGrundlagen der Bildverarbeitung
Grundlagen der Bildverarbeitung Inhaltsverzeichnis Vorwort 9 Kapitel 1 Einführung 13 1.1 Anwendungen der digitalen Bildverarbeitung 16 1.2 Algorithmische Verarbeitung von Bildinformation 17 1.3 Zu diesem
MehrVision und Roboter in der Lebensmittelindustrie
CLK GmbH Vision und Roboter in der Lebensmittelindustrie Dr. Carsten Cruse Zur Steinkuhle 3 48341 Altenberge www.clkgmbh.de CLK GmbH Folie 1 CLK GmbH Inhalt 1. Einleitung 2. Kameratechnik für die Lebensmittelindustrie:
MehrObjekterkennung am Beispiel des Viola-Jones-Objektdetektors
Objekterkennung am Beispiel des Viola-Jones-Objektdetektors Medieninformatik IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Wintersemester 2014/15 Andreas Unterweger (FH
Mehr9th NEMO-SpectroNet Collaboration Forum
9th NEMO-SpectroNet Collaboration Forum Jena, 15.12.2010 Color and Multi Spectral Imaging An Overview Dr. Ing. Thomas Fahlbusch, PhotonicNet GmbH, Hannover Farbaufnahme 1-Chipkamera Bayer Farbmosaik Chips
MehrBachelorarbeit Erkennung von Fließtext in PDF-Dokumenten
Bachelorarbeit Erkennung von Fließtext in PDF-Dokumenten 16.08.2016 David Spisla Albert Ludwigs Universität Freiburg Technische Fakultät Institut für Informatik Gliederung Motivation Schwierigkeiten bei
MehrClArity Integration MIT AGILen Projekt-Tools eine Unmöglichkeit?
ClArity Integration MIT AGILen Projekt-Tools eine Unmöglichkeit? Ansprechpartner Wir sind für Sie da. Sebastian Tischer Projekt- & Program- Manager +49 351 2820-2418 Sebastian.Tischer@ t-systems.com Dr.
MehrIntegration eines pneumatischen Roboters in die Robotics API
Integration eines pneumatischen Roboters in die Robotics API Ziel: Integration eines AirArms in die Robotics API und Umsetzung eines Demo-Anwendung Idee: Die MRK (Mensch Roboter Kooperation) bekommt zunehmend
MehrHerzlich willkommen! Netzwerk Energieberatung Steiermark. Qualitätssicherung im Energieausweis durch Building Information Modeling (BIM)
Herzlich willkommen! Netzwerk Energieberatung Steiermark Qualitätssicherung im Energieausweis durch Building Information Modeling (BIM) Mag. Hermann J. Jahrmann ECOTECH Software für Bauphysik und energietechnische
MehrMedienforensik - Manipulationserkennung. Multimedia Sicherheit, Martin Steinebach
Medienforensik - Manipulationserkennung - Ballistik Image Forensics Forensische Anwendungen im Bildbereich sind mehrfach belegt Optimierung von Bildern, die z.b. mit Überwachungskameras aufgenommen wurden
MehrOptische Inspektion von supraleitenden HFResonatoren bei DESY. Sebastian Aderhold Frühjahrstagung der DPG Bonn,
Optische Inspektion von supraleitenden HFResonatoren bei DESY Sebastian Aderhold Frühjahrstagung der DPG Bonn, 15.3.2010 Motivation > Linearbeschleuniger brauchen hohe Gradienten XFEL Design-Gradient:
MehrQualitative Beurteilung photogrammetrischer Aufnahmekonstellationen im Nahbereich
Qualitative Beurteilung photogrammetrischer Aufnahmekonstellationen im Nahbereich Karsten Raguse Manfred Wiggenhagen Inhalt Motivation Übersicht Optische Messkette Bestandteile der Messkette Simulation
MehrOpinion Mining Herausforderungen und Anwendung in der Politik
Opinion Mining Herausforderungen und Anwendung in der Politik 28.09.2011 Umut Yilmaz Inhaltsübersicht 1. Einführung 2. Grundlagen 3. Anwendung in der Politik 4. Anwendungsbeispiel 5. Fazit 2 1. Einführung
MehrViola-Jones Gesichtserkennung mit WebGL
Viola-Jones Gesichtserkennung mit WebGL Tobias Groß, Björn Meier Hardware/Software Co-Design, University of Erlangen-Nuremberg 18. Juli 2013 Outline Motivation Viola-Jones Funktionsweise Blockbewertung
MehrEinführung in Support Vector Machines (SVMs)
Einführung in (SVM) Januar 31, 2011 Einführung in (SVMs) Table of contents Motivation Einführung in (SVMs) Outline Motivation Vektorrepräsentation Klassifikation Motivation Einführung in (SVMs) Vektorrepräsentation
MehrAuswertung von Bilddaten aus UAV Flügen Von der klassischen Aerotriangulation zum Dense Image. Matching
Auswertung von Bilddaten aus UAV Flügen Von der klassischen Aerotriangulation zum Dense Image Rainer Brechtken Rouven Borchert Heinz Jürgen Przybilla Rene Marcel Roderweiß Matching Gliederung Einleitung
Mehr3D-Sensoren auf PMD-Basis zur Objekterkennung und -verfolgung
3D-Sensoren auf PMD-Basis zur Objekterkennung und -verfolgung Dipl.-Phys. Hartmut Eigenbrod 10 Jahre Fraunhofer-Allianz Vision Erlangen, 26. Oktober 2007 1 Gliederung Laufzeitkameras und ihre Vor- und
MehrAugmented Reality für Augmented Reality Frieder Pankratz, TU München
Augmented Reality für Augmented Reality 26.10.2016 Frieder Pankratz, TU München Asyntra, ISMAR 2011 Tracking Contest 27.01.2016 Augmented Reality für Augmented Reality 1 ARVIDA: Spatial Relationship Graph
MehrCompanion Technologie
Companion Technologie Emotionen erkennen, verstehen und kai.bielenberg@haw-hamburg.de Agenda 1. Einleitung a. Was war nochmal Companion Technologie? b. Teilbereiche c. Warum Emotionen? 2. Ansätze a. Facial
MehrUNIVERSITÄT DES SAARLANDES PfflLOSOPHISCHE FAKULTÄT HI EMPIRISCHE HUMANWISSENSCHAFTEN
UNIVERSITÄT DES SAARLANDES PfflLOSOPHISCHE FAKULTÄT HI EMPIRISCHE HUMANWISSENSCHAFTEN Automatische Klassifizierung von deutschsprachigen elektronischen Katalogen der Elektroindustrie nach dem Elektrotechnischen
MehrAlgorithmen zur Analyse historischer Landkarten. Benedikt Budig Universität Würzburg
Algorithmen zur Analyse historischer Landkarten Benedikt Budig Universität Würzburg Einführung Einführung Algorithmen zur Analyse historischer Landkarten Einführung Algorithmen zur Analyse historischer
MehrCOPE COuPled Evolution of metamodels and models
COPE COuPled Evolution of metamodels and models Diplomarbeit in Zusammenarbeit mit der BMW Car IT (Betreuer: Elmar Jürgens, Sebastian Benz) Markus Herrmannsdörfer 7. November 2007 Perlen der Informatik
MehrProf. J. Zhang zhang@informatik.uni-hamburg.de. Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 16. Dezember 2003
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 5. Sichtsysteme in der Robotik....................307 Industrielle
MehrEclipse und EclipseLink
Eclipse und EclipseLink Johannes Michler Johannes.Michler@promatis.de PROMATIS, Ettlingen Zugriff auf Oracle Datenbanken aus Eclipse RCP Anwendungen via EclipseLink 18.09.2009 1 Gliederung Eclipse als
MehrQuadrocopters and it s Applications: Overview of State of the Art Techniques
: Overview of State of the Art Techniques Visual Tracking for Robotic Applications Sebastian Brunner Lehrstuhl für Echtzeitsysteme und Robotik Technische Universität München Email: brunnese@in.tum.de Date:
MehrSpeicherkonzepte von Pixel- und Vektorgrafik
Speicherkonzepte von Pixel- und Vektorgrafik Jahrgangsstufen Lernbereich 1: Modul 1.5 Stand: 20.01.2016 Fach/Fächer Zeitrahmen Benötigtes Material Informationstechnologie 1 Unterrichtsstunde Legoplatten
MehrMultivariate Statistische Methoden
Multivariate Statistische Methoden und ihre Anwendung in den Wirtschafts- und Sozialwissenschaften Von Prof. Dr. Hans Peter Litz Carl von Ossietzky Universität Oldenburg v..v.-'... ':,. -X V R.Oldenbourg
MehrIntelligenz in Datenbanken. Dr. Stefan Freundt Star512 Datenbank GmbH. star512 datenbank gmbh
Intelligenz in Datenbanken Dr. Stefan Freundt Star512 Datenbank GmbH Einleitung Definition von Business! Definition von Intelligenz? Künstliche Intelligenz: Motivation Schach erfordert Intelligenz ==>
MehrObjekterkennung durch Vergleich von Farben. Videoanalyse Dr. Stephan Kopf HWS2007 Kapitel 5: Objekterkennung
Objekterkennung durch Vergleich von Farben 48 Farbräume (I) Definitionen: Farbe: Sinnesempfindung (keine physikalische Eigenschaft), falls Licht einer bestimmten Wellenlänge auf die Netzhaut des Auges
MehrFitting 3D Models to Images
Proseminar "Aufgabenstellungen der Bildanalyse und Mustererkennung" Fitting 3D Models to Images WS 08/09 Gliederung Einleitung Pose Consistency perspective Camera affine/projective Camera Linearkombinationen
MehrAlternativen zur OpenText Suche. 29. OpenText Web Solutions Anwendertagung Mannheim, 18. Juni 2012 Sebastian Henne
Alternativen zur OpenText Suche 29. OpenText Web Solutions Anwendertagung Mannheim, 18. Juni 2012 Sebastian Henne Übersicht Allgemeines zur Suche Die OpenText Common Search Indexierung ohne DeliveryServer
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 6 Endliche Kameras Die Lochkamera Die Projektive Kamera Die projektive Kamera Spalten von P Zeilen von P Hauptpunkt und Hauptachse
MehrBildverarbeitung Herbstsemester. Binärbildanalyse
Bildverarbeitung Herbstsemester Herbstsemester 2010 2012 Binärbildanalyse 1 Inhalt Einführung Partikelfilterung und -analyse Auffinden von Regionen und Konturen Gruppenarbeit Erkennung von geometrischen
MehrDer Einsatz von Laserscanning-Technologie im Vergleich zu taktilen Messverfahren
Der Einsatz von Laserscanning-Technologie im Vergleich zu taktilen Messverfahren Raf Nysen Director Engineering Nikon Metrology (Vortrag durch Herrn Holger Schuck, Technical Manager) Einleitung Traditionell
MehrGlossar. zum Projekt. Dynamische Geometrie-Software. Version 1 vom Gruppe geo09, Projektleiter: Andy Stock
Glossar zum Projekt Dynamische Geometrie-Software Version 1 vom 03.05.03 Erstellt von: R. Hrushchak, P. Kongsto, A. Stock Seite 1 von 5 Animation: Folge von Schritten zur Erstellung und Veränderung einer
MehrGrundlagen der digitalen Bildverarbeitung / Fortsetzung
Grundlagen der digitalen Bildverarbeitung / Fortsetzung Wir haben bereits zwei Beispiele digitaler Bildfilter gesehen. Es gibt eine große Menge von Filtern mit ganz unterschiedlicher Auswirkung auf das
MehrKapitel 31 Bild- und Tonretrieval. HHU Düsseldorf, WS 2008/09 Information Retrieval 483
Kapitel 31 Bild- und Tonretrieval HHU Düsseldorf, WS 2008/09 Information Retrieval 483 Multimedia Information Retrieval Content-based Information Retrieval gesprochene Sprache Musik und weitere Audio-Dokumente
MehrSoftware zur Erkennung von Körperhaltungen K Bildschirmarbeitsplätzen. tzen. Referent: Markus Kirschmann
Software zur Erkennung von Körperhaltungen K an Bildschirmarbeitsplätzen tzen Vortrag zur Diplomarbeit Neuronale Mehrklassifikatorsysteme zur Erkennung der Körperhaltung K in Bildschirmarbeitsplatzumgebungen
MehrSession: 1 SO Selbstoptimierte Zustandsüberwachung für die Prognose von Fehlzuständen für Windkraftanlagen SO-Pro (Resolto)
Session: 1 SO Selbstoptimierte Zustandsüberwachung für die Prognose von Fehlzuständen für Windkraftanlagen SO-Pro (Resolto) 06. Juli 2016 Bielefeld www.its-owl.de Agenda Abschlusspräsentation Einführung
MehrPraktische Anwendung von EMF Compare
Praktische Anwendung von EMF Compare Holger Schill und Dr. Lothar Wendehals Dortmunder Vortragsreihe 14.09.2009 itemis Kompakt Spezialist für modellbasierte Entwicklungsverfahren Gründung im Jahr 2003
Mehr(1) Einführung. Vorlesung CV-Integration S. Müller/D. Paulus U N I V E R S I T Ä T KOBLENZ LANDAU
(1) Einführung Vorlesung CV-Integration S. Müller/D. Paulus KOBLENZ LANDAU Ziel In vielen Bereichen der Forschung und auch der täglichen Anwendungen wächst das Fachgebiet der Bildverarbeitung und der Computergraphik
MehrProbabilistisches Tracking mit dem Condensation Algorithmus
Probabilistisches Tracking mit dem Condensation Algorithmus Seminar Medizinische Bildverarbeitung Axel Janßen Condensation - Conditional Density Propagation for Visual Tracking Michael Isard, Andrew Blake
MehrProgramme und Skript-Sprache für die Modellierung von Molekülen und die Behandlung ihrer Konformationen
Diplomarbeit die Modellierung von Molekülen und die Behandlung ihrer Autor: 07.Mai.2002 1 Überblick Motivation und Ziele Modellierung von Molekülen Konzeption Zusammenfassung Ausblick 2 Motivationen und
MehrGesichtsidentifikation mit dem Erkennungssystem FaceVACS SDK der Firma Cognitec
Gesichtsidentifikation mit dem Erkennungssystem FaceVACS SDK der Firma Cognitec Zwischenpräsentation Autoren: Alexander Mielchen und Lorenz Kaipf 20.05.2014 1 Gliederung Aufgabenstellung und Randbedingungen
MehrGlobale und Individuelle Schmerz-Klassifikatoren auf Basis relationaler Mimikdaten
Globale und Individuelle Schmerz-Klassifikatoren auf Basis relationaler Mimikdaten M. Siebers 1 U. Schmid 2 1 Otto-Friedrich-Universität Bamberg 2 Fakultät für Wirtschaftsinformatik und Angewandte Informatik
MehrCycloramas Nutzen und Mehrwerte für die Stadt Frankfurt am Main
Cycloramas Nutzen und Mehrwerte für die Stadt Frankfurt am Main Inhaltsübersicht Kurzüberblick Unternehmen CycloMedia Dienstleistungen CycloMedia Aufnahmeprinzip Messprinzip Globespotter Integrationen
MehrDomain-independent. independent Duplicate Detection. Vortrag von Marko Pilop & Jens Kleine. SE Data Cleansing
SE Data Cleansing Domain-independent independent Duplicate Detection Vortrag von Marko Pilop & Jens Kleine http://www.informatik.hu-berlin.de/~pilop/didd.pdf {pilop jkleine}@informatik.hu-berlin.de 1.0
MehrÜberblick. Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung
Grundlagen Überblick Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung Klassifikation bei bekannter Wahrscheinlichkeitsverteilung Entscheidungstheorie Bayes- Entscheidungsfunktionen
MehrSuche nach korrespondierenden Pixeln in zwei Bildern
Suche nach korrespondierenden Pixeln in zwei Bildern Seminar Algorithmen zur Erzeugung von Panoramabildern von Philip Mildner April 2008 Universität Mannheim Lehrstuhl Praktische Informatik IV Prof. Dr.
MehrSoftware Produktlinien: Einführung und Überblick
C A R L V O N O S S I E T Z K Y Software Produktlinien: Einführung und Überblick Johannes Diemke Vortrag im Rahmen des Seminars Software System Engineering im Wintersemester 2007/2008 Übersicht 1 Motivation
MehrNeue Esri-Apps für Routing, Datenerfassung und Workforcemanagement
Neue Esri-Apps für Routing, Datenerfassung und Workforcemanagement Vorstellung neuer Esri-Apps an praktischen Einsatzbeispielen Nicola Forster, GI Geoinformatik GmbH ArcGIS Plattform Karten entdecken,
Mehr