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