Bereich 1 – Vision und Zusatzinformationen

Vision und Zusatzinformationen

In vielen visuellen Aufgaben, die in verändernden und teilweise unberechenbaren Umfeld zuverlässig funktionieren müssen, ist der Beitrag unterschiedlicher komplementärer Signale zentraler Faktor um Robustheit zu erreichen. Komplementarität bedeutet, dass ausgeprägte Eigenschaften zusätzliche Informationen in unterschiedlichen Zusammenhängen einbringen. Zum Beispiel zeigen Intensitätsbilder relevante visuelle Details (Textur,  Farbmuster) einer Objektoberfläche, allerdings können diese Details nicht gut vor unerwünschten Artefakten (Schatten, Lichter) unterschieden werden. Auf der anderen Seite ist gemessene Tiefeninformation (3d) weitgehend unbeeinträchtigt von photometrischen Abweichungen, weist aber keine Details in Bezug auf visuelle Erscheinung auf.
In diesem Bereich wird jeder relevante Task hinsichtlich der industriellen Anforderungen analysiert und eine zielgerichtete Integration der Merkmale durchgeführt. Diese Strategie der Merkmals-Auswahl und -Integration folgt der Linie von Hager1: “Die Aufgabe, die das System durchführen muss  bestimmt, welche Informationen bis zu welchem Verfeinerungsgrad benötigt werden”
Zum generellen Ziel des K-Projekts, robuste Vision-Systeme zu erreichen, bringt Bereich 1 das erforderliche Forschungs-Know-how ein, während Bereich 2 alle Forschungs-und Entwicklungsaspekte in Betracht zieht, um die entwickelte Vision-basierte Technologie schnell zum praktischen Einsatz zu bringen.
Die einzelnen Forschungsprojekte in diesem Bereich befassen sich mit drei Themenbereichen, wo zusätzliche Informationen aus differenzierten Quellen vorherrschen:

  • Multi-modale Computer Vision , wobei ( i) Auswahl (welche Art von visuellen Merkmalen) und ( ii) Merkmalskombination ( wie sind diese zu kombinieren ) eine wichtige Rolle spielen .
  • Räumlich-zeitliche Verarbeitung, welche die stark korrelierende Datenstruktur im Raum-Zeit-Gefügeder angesammelten Daten ausnutzt. Im Gegensatz zurEinzelbild-basierten Analyse bringt die Berücksichtigung der Raum-Zeit-Struktur eine Verbesserung der Robustheit für viele Erkennungs-, Segmentierungs- und Tracking-Aufgaben.
  • Das Wissens-und Interaktionsprojekt wird sowohl statistische Lernverfahren mit Nutzung von gekennzeichneten und unbekannten Datensätzen untersuchen als auch neue Wege zur Integration von Expertenwissen durch zukunftsweisende Visualisierungskonzepte erforschen, welche intuitive, minimal-interaktive Benutzerschnittstellen ermöglichen.

1 G. D. Hager, Task-Directed Sensor Fusion and Planning. A Computational Approach, The Kluwer International, Series in Engineering and Computer Science, Kluwer Academic Publishers, Dordrecht, Netherlands. ISBN 0-7923-9108-X, 1990