Zanesljivo vizualno sledenje pozitivno vpliva na različne tehnike analiziranja gibanja, saj se lahko uporabi v koraku pred-procesiranja za stabilizacijo regije, za odstranjevanje obsežnega gibanja in omogoča podrobno analizo nizko-nivojskega gibanja. Vendar vprašanje, kaj predstavlja “dobro” sledenje, do sedaj ni bilo popolnoma zadovoljivo naslovljeno. Problem evaluacije vizualnega sledenja ponuja obilico mer zmogljivosti, vendar pogosto trpi zaradi pomankanja konsenza o izbiri ustreznih mer. To otežuje primerjavo sledilnikov med različnimi članki in hitrejši razvoj področja. Članek prispeva h kritični analizi popularnih mer za evaluacijo zmogljivosti kratkoročnega sledenja in jih eksperimentalo evaluira z obširnimi eksperimenti sledenja. Prav tako je bila narejena analiza različnih vizualizacij mer zmogljivosti. Rezultati nakazujejo, da je več mer povsem ekvivalentnih z vidika informacije, ki jo zagotovijo za srednje-nivojsko cenilko primerjave gibanja in, pomembneje, da so nekatere bolj krhke kot druge. Glede na analizo je primerjava ukrepov zožena na le nekaj komplementarnih mer, s čimer se pribljižujemo homogenizaciji metodologije evaluacije.
COBISS.SI-ID: 10535764
V tem članku predstavljamo nov pristop k razpoznavanju aktivnosti, ki temelji na preprostih nizkonivojskih značilnicah, ki zajemajo izključno gibanje, zaznano v posnetku. Te značilnice s pomočjo hierarhične kompozicionalne sheme v postopku učenja na enem samem kratkem učnem posnetku sestavljamo v vzorce gibanja, t.i. kompozicije. V postopku inference te vzorce poiščemo v analiziranih posnetkih, in jih vzorčimo v ”vrečo kompozicij”. Za razvrščanje uporabljamo razvrščevalnik SVM z jedrom hi-kvadrat. Postopek je računsko učinkovit in primeren za izvedbo na masovno-vzporednih arhitekturah. Zaradi kompozicionalne narave je vzorce gibanja mogoče učinkovito zapisati, učimo pa jih lahko postopoma, sloj za slojem. Postopek omogoča hitro inferenco, končni vektorji značilnic pa so razmeroma nizkodimenzionalni, s čimer dosežemo tudi hitro učenje razvrščevalnika. Predstavljena metoda dosega na standardni zbirki UCF Sports najboljše rezultate med metodami, ki temeljijo izključno na gibanju.
COBISS.SI-ID: 10433364
Članek opisuje paralelno asinhrono izvedbo evolucijskega optimizacijskega algoritma za več-kriterijsko optimizacijo DEMO, paraleliziranega po principu gospodar-suženj. Implementacija razširja DEMO iz zaporednega, v algoritem, ki se lahko izvaja na več medsebojno povezanih več-procesorskih računalnikih. Paralelizacija dosega visoko učinkovitost tudi na heterogenih računalniških sistemih. Članek opisuje vzporedni algoritem, njegove razlike v primerjavi z zaporednim in uvaja novo merilo nivoja paralelnosti za evolucijske algoritme.
COBISS.SI-ID: 25824807
Avtonomni roboti, ki delujejo v nestrukturiranih okoljih, morajo pogosto rokovati z objekti, ki jih še ne poznajo. Zato morajo biti sposobni stalno dopolnjevati svojo zbirko znanja o objektih. V tem članku smo predlagali novo metodo za inkrementalno učenje objektnih reprezentacij, ki temelji na detekciji gibanja v slikah in fovealnem vidu. Predlagali smo dve metodi za validacijo hipotez o objektih in eksperimentalno pokazali, da z uporabo fovealnega vida izboljšamo učenje objektnih reprezentacij.
To delo se osredotoča na podrobno analizo diskriminativnih sposobnosti hierarhičnih kompozicionalnih modelov, kjer identificiramo kombinacijo uporabe izključno generativnega učenja ter pretiranega deljenja značilk kot pomemben vzrok za slabo diskriminativno sposobnost. Histogram kompozicij (Histogram of Compositions) je vpeljan kot ustrezna rešitev, ki naslovi ta problem. Predlagana rešitev je neodvisna od specifičnih modalnosti, kar omogoča apliciranje tako na značilke oblike, kot tudi na značilke 3D informacije, gibanja in zvoka. HoC izboljšuje diskriminativno zmogljivost z združevanjem informacije visoko-nivojske detekcije z nizko-nivojskimi značilkami, ki so pomembne za diskriminacijo. Rešitev apliciramo na problem detekcije objektov z uporabo značilnic oblike in z obsežno evaluacijo na petih slikovnih zbirkah pokažemo bistveno izboljšanje celovite zmogljivosti. Razširjena verzija tega tehničnega poročila je bila poslana v objavo v revijo Computer Vision and Image Understanding in je prestala prvi krog recenzij.
COBISS.SI-ID: 9669972