To delo analizira diskriminativne sposobnosti hierarhičnih kompozicionalnih modelov. Za slabo diskriminativno sposobnost se izkaže kot pomemben faktor pretirano deljenje značilk ter uporaba izključno generativnega učenja, ki ne upošteva diskriminativnih značilk. Histogram kompozicij (Histogram of Compositions) je vpeljan kot ustrezna rešitev, ki naslovi ta problem. 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. Izboljšan hirarhični kompozicionalni model je primerjan tudi z globokimi konvolucijskimi mrežami, R-CNN. Pod idealnimi pogoji se R-CNN izkaže kot boljši model, vendar na drugi strani je veliko bolj občutljiv na različne oblike večjih okluzij objektov kot je hierarhični kompozicionalni model z izboljšano diskriminativno močjo.
COBISS.SI-ID: 1536363971
V prispevku smo izvedli temeljito primerjavo več klasičnih in sprotnih/inkrementalnih formulacij več-razrednih klasifikatorjev, temelječih na metodi podpornih vektorjev, na domeni razpoznavanja vertikalne prometne signalizacije. Pokazali smo, da ob uporabi različnih značilnic inkrementalni pristopi konsistentno omogočajo sposobnost razpoznavanja, ki je primerljiva s tisto, ki jo omogočajo klasični pristopi. Prav tako smo ilustrirali prednosti inkrementalnega učenja v scenariju s sprotnim učenjem, kjer klasifikator po začetnem učenju sproti posodabljamo z novimi vzorci. Dobljeni rezultati kažejo, da uporabljene inkrementalne/sprotne metode učenja po eni strani predstavljajo primerno zamenjavo za klasične pristope, obenem pa so primerna izbira za izvedbo razpoznavalnih sistemov v odprtem svetu, ki od slednjih zahteva stalno prilagajanje.
COBISS.SI-ID: 1536821443
To delo predlaga razširitev globokih konvolucijskih mrež za eksplicitno modeliranje prostorskih struktur, ki so pogosto prisotne v vizualnih objektih. Omejitev med značilkam in njegovimi pod-značilkami je vpeljana za eksplicitno predstavitev prostorske strukture v hierarhiji objektov. Prostorska omejitev je dosežena skozi parametrizacijo filtrov z uporabo mešanice Gaussovih distribucij. V tem delu pokažemo kako se predlagani model vklopi v standardno proceduro učenja v globokih nevronskih mrežah z uporabo vzvratne propagacije napake in spustom po gradientu. Pokažemo, da se lahko na standardno konvolucijsko nevronsko mrežo gleda kot na poseben primer predlaganega modela na eni strani, mnogo pomembneje pa je, da se na drugi strani lahko predlagani model obravnava kot hierarhično kompozicijo. Evaluacija predlaganega modela je bila narejena na problemu klasifikacije z dvema standardnima zbirkama slik, kjer se izkaže, da predlagani model doseže primerljivo zmogljivost z globokimi mrežami, vendar pri tem doseže večjo stopnjo kompaktnosti filtrov, in se torej izkaže za uspešen prvi korak proti kompozicionalni interpretaciji reprezentacij naučenih s CNNji.