Predlagali smo nov pristop k sprotnem ocenjevanju generativnih modelov, ki temeljijo na ocenjevanju porazdelitev verjetnosti. Kot teoretični okvir smo izbrali ocenjevanje porazdelitev z jedri (angl, Kernel Density Estimation, KDE). Pristop posodablja in vzdržuje neparametrični model opaženih podatkov, iz njih pa izračunava KDE. Predlagali smo princip za sprotno ocenjevanje velikosti jeder, ter metodo za kompresijo/revitalizacijo, ki skrbi da ostane kompleksnost modelov nizka. Natančno smo primerjali delovanje predlagane metode z najboljšimi povezanimi metodami na problemih ocenjevanja stacionarnih , nestacionarih porazdelitev in problemih sprotne gradnje klasifikatorjev. Rezultati kažejo, da predlagana metoda daje primerljive ali boljše rezultate kot ostale metode, ob tem pa generira modele, katerih kompleksnost je bistveno nižja.
COBISS.SI-ID: 8289876
Predlagali smo nov pristop k sledenju s pomočjo hierarhičnega vizualnega modela. Razvili smo nov verjetnostni model za sledenje nerigidnih objektov. Model je dvo-slojni, zgornji sloj sestavlja globalna informacija o izgledu objekta, medtem, ko na spodnjem sloju ohranjamo lokalno informacijo. Lokalni sloj je sestavljen iz knjižnice osnovnih vizualnih elementov. Ti vizualni elementi so šibko sklopljeni v konstalacijo, ki se lahko deformira med sledenjem. V ta namen smo razvili nov statistični model in predlagali optimizacijsko metodo, s katero lahko zelo učinkovito prilagajamo model tarči in jo sledimo ob hitrih signifikantih deformacijah, kakor tudi med delnim zakrivanjem. Predlagan model je preizkus nekaterih delov teorije hierarhičnih modelov na primeru sledenja objekta. Razvit sledilnik nam bo v nadaljnem delu omogočal sledenje kategorij objektov v sekvencah, kar nam bo omogočalo zajem baze artikuliranih objektov. Slednji bodo uporabljeni za izboljšanje učenja hierarhije za detekcijo kategorij objektov.
COBISS.SI-ID: 8801364
Detekcija teksta in optična razpoznava znakov v slikah naravnih scen je relativno novo področje v računalniškem vidu, ki je uporabno za številne aplikacije. Čeprav številne implementacije obetajo dobre rezultate, pa so preizkušene običajno na zasebnih slikovnih zbirkah, ki jih je težko ali celo nemogoče pridobiti. Tako je različne metode težko med seboj primerjati. Da bi raziskovalni skupnosti olajšali in standardizirali evalvacijo metod za detekcijo teksta in optične razpoznave znakov, smo uredili CVL OCR DB, javno dostopno podatkovno zbirko z anotiranimi slikami teksta v naravnih scenah, posnetih ob različnih vremenskih in osvetlitvenih pogojih. Vse slike v zbirki imajo označeno področje s tekstom in lokacijo posameznih znakov, kar dela CVL OCR DB primerno za testiranje tako detekcije teksta na slikah, kot tudi optično razpoznavo znakov v samem tekstu. Posamezni znaki na slikah so shranjeni tudi individualno, kar pomeni, da v naši zbirki tudi ogromno število znakov, ki so primerni za učenje in testiranje klasifikatorjev za optično razpoznavo znakov.
COBISS.SI-ID: 8697428