Predstavitev objektov na ravni njihovih sestavnih delov je prevladujoča strategija za predstavitev kompleksnih 3D objektov v mnogih disciplinah. V računalniškem vidu in v robotiki so superkvadriki med najbolj razširjenimi modeli. Superkvadriki so družina parametričnih modelov, ki zajemajo široko množico gladko spreminjajočih se 3D simetričnih oblik, ki jih lahko kontroliramo z majhnim številom parametrov in ki jih lahko dodatno obogatimo z globalnimi in lokalnimi deformacijami. Knjiga podrobno pokriva geometrijske lastnosti superkvadrikov. Glavni prispevek knjige pa je naša originalna metoda za rekonstrukcijo in segmentacijo superkvadrikov iz globinskih slik. Številne aplikacije superkvadrikov v računalniškem vidu in v robotiki so podrobno predstavljene, še posebej pa uporaba superkvadrikov za registracijo globinskih slik. To našo metodo sedaj uporabljamo za 3D dokumentiranje v podvodni arheologiji. O tem smo objavili članek v ugledni arheološki reviji (glej dosežek 22.1), še en članek v reviji, dva članka na mednarodnih konferencah in poglavje v knjigi. Metoda je izjemno popularna, saj imajo naši članki o tej metodi na Google učenjaku več kot 1500 citatov, od tega več kot 100 po letu 2014. Drugi jo često uporabljajo za oprijemanje objektov v robotiki, za modeliranje organov v medicini itd. Zaradi njene aktualnosti smo se že lotili njene reimplementacije s pomočjo globokih nevronskih mrež, da bi jo naredili veliko hitrejšo.
COBISS.SI-ID: 256892416
V tem delu predstavljamo nov pristop k detekciji točk interesa. Različne vrste slikovnih značilk detektiramo z istim računskim konceptom, ki upošteva tudi celostno variabilnost lokalnih regij. Rezultati, ki smo jih dobili na različnih vrstah slik se dobro ujemajo z rezultati dobljenimi s specializiranimi detektorji interesa. Te točke lahko uporabimo bodisi za razpoznavanje predmetov ali poravnavanje slik.
COBISS.SI-ID: 41304418
Samodejna razpoznava ljudi iz slik uhljev predstavlja aktivno področje v biometriji. Možnosti, da zajamemo sliko uhlja z razdalje ter na pasiven način, uvrščajo to modalnost med privlačne izbire za nadzorne in sorodne aplikacije. V zadnjih letih so na tem področju bili predstavjeni pomembni prispevki, kljub temu pa ostajajo odprta raziskovalna vprašanja, ki preprečujejo uporabo tehnologije v širše komercialne namene. To delo predstavlja pregled področja razpoznave uhljev iz 2D slik in se osredotoča na metode na osnovi lokalnih opisnikov, ki trenutno dosegajo najboljše rezultate. Podaja odprte izzive in potencialne usmeritve raziskav z namenom, da izpostavi bralcu dobra izhodišča za nadalnje delo. Poleg pregleda področja delo predstavi tudi novo bazo slik, kjer so slike zajete v nenadzorovanih okoljih, ter programsko orodje z implementacijo kopice najboljših metod za razpoznavo uhljev. Tako baza kot orodje sta namenjena naslavljanju odprtih vprašanj tega področja ter sta javno dostopni. - Na področju razpoznave uhljev smo bili v zadnjih treh letih zelo aktivni. Tako smo objavili tudi še en članek s faktorjem vpliva na temo razpoznave z globokimi mrežami (še en članek je tik pred sprejemom), objavili pa smo tudi šest konferenčnih člankov. Na najprestižnejši konferenci s področja biometrije smo organizirali dobro sprejeto tekmovanje s tega področja, hkrati pa smo gostujoči uredniki posebne številke na to temo v reviji s faktorjem vpliva IET Biometrics.
COBISS.SI-ID: 1537395395
Različni državni organi danes med samo delijo najrazličnejše slikovne in video podatke, kar zahteva ustrezna varovala za zašito zasebnosti oseb, ki so v podatkih prisotne. Popularni pristop k zaščiti zasebnosti v takšnih podatkih je uporaba postopkov deidentifikacije, katerih namen je prikriti (oz. zamaskirati) identiteto oseb, a ohraniti druge potencialno pomembne lastnosti podatkov nakljub deidentifikaciji. V članku predstavimo nov pristop k deidentifikaciji obrazov, ki ga imenujemo Omrežje-k-enakih in združuje nedavne globoke generativne nevronske mreže s konceptom k-anonimnosti ter tako zagotavlja formalno zgornjo mejo za verjetnost reidentifikacije na zaprti množici oseb. Naše generativno omrežje je zmožno generirati sintetične obraze za deidentifikacijo z združevanjem izgleda oseb, ki so bili uporabljeni za učenje mreže, hkrati pa nam omogoča voditi proces generiranja sintetičnih obrazov preko majhnega števila parametrov, s katerimi lahko vplivamo na značilnosti (npr. izraz na obrazu, spol, starost) generiranih obraznih slik. Smiselnost našega postopka pokažemo z eksperimenti na XM2VTS in CK+ podatkovnih zbirkah. Učinkovitost našega pristopa preverimo z reidentifikacijskimi testi z nedavnimi globokimi modeli za razpoznavanje obrazov, podamo pa tudi rezultate za konkurenčne rešitve deidentifikacije iz literature. Poročamo o eksperimentih z razpoznavanjem izrazov obrazov (angl. facial expression recognition), s katerimi demonstriramo sposobnost našega postopka za ohranjanje specifičnih lastnosti podatkov po deidentifikaciji. Rezultati naših eksperimentov kažejo, da je Omrežje-k- enakih, primerni pristop k deidentifikaciji obrazov in v primerjavi z drugimi rešitvami na tem področju izkazuje več koristnih lastnosti. - Seveda pa je ta članek le zadnji v seriji sicer dokaj novega področja, s katerim se ukvarjamo člani programskege skupine. Tako smo do sedaj objavili še en revijski članek s faktorjem vpliva ter dva konferenčna. Članek ima v manj kot letu dni na Google učenjaku 19 citatov.
COBISS.SI-ID: 1537688771
Vpeljali smo koncept kanalske in prostorske zanesljivosti v sledilnike tipa DCF in izpeljali algoritme za učinkovito učenje in integracijo tako v del za posodabljanje filtra kot lokalizacijo. Prostorska mapa zanesljivosti določa podporo filtra, tako, da se ta fokusira le na dele tarče primerne za sledenje. S tem omogočimo učenje iz večje regije, kakor tudi sledenje artikuliranih objektov. Mere zanesljivosti odražajo zanesljivost posameznih kanalov pri vizualnem sledenje in se upoštevajo kot uteži v fazi lokalizacije. Z uporabo zgolj osnovnih značilnic je sledilnik dosegel najboljše rezultate na VOT 2016, VOT 2015 in OTB100. Sledilnik ki je bil razvit v sklopu projekta, so člani projektne skupine implementirali v programskem jeziku C++ in ga optimizirali za hitro delovanje. Sledilnik je na izzivu VOT2017 v kategoriji realnočasnih sledilnikov zasedel prvo mesto med 51 sledilniki. Dosežek je izrednega pomena, saj je VOT zelo izpostavljen izziv in pričakujemo, da bo pritegnil zelo velik interes tako skupnosti računalniškega vida kot tudi robotike.
COBISS.SI-ID: 1537691075
V članku obravnavamo problem ocenjevanja uspešnosti sledenja sledilnikov ene tarče. Menimo, da so mere uspešnosti, podatkovne zbirke in sistem za ocenjevanje najpomembnejši elementi ocenjevanja sledilnikov, zato podajamo zahteve, ki jih mora vsak element izpolnjevati. Te zahteve so osnova za novo metodologijo vrednotenja, katere cilj je enostavna primerjava sledilnikov. Metodologija, ki temelji na razvrščanju, upošteva enakovrednost sledilnikov glede na statistično pomembnost in praktične razlike. Uveden je dosledno označena podatkovna zbirka z več vidnimi atributi. Predlagamo nov postopek zagotavljanja visoke stopnje raznovrstnosti vizualnih atributov v podatkovni zbirki. Predstavljen je tudi večplatformni sistem, ki omogoča enostavno integracijo sledilnikov. Predlagana metodologija je osnova za vrednotenje uspešnosti v seriji trenutno največjega izziva VOT za sledenje vizualnih objektov in je trenutno ena od glavnih metodologij vrednotenja pri sledenju vizualnih objektov na področju računalniškega vida. Predlagano metodologijo je uporabil izziv za izbor sledinikov, organiziran pod okriljem največje odprtokodne knjižnice za računalniški vid openCV (https://opencv.org/opencv-vision-challenge.html ). V samo dveh letih od objave je članek zbral 86 citatov na Google učenjaku in 267 vpogledov na Researchgate.
COBISS.SI-ID: 1536872643
Predlagali smo novo metodo za sprotno ocenjevanje diskriminativnih modelov za klasifikacijo. Metoda ocenjuje porazdelitve razredov s toka podatkov in jih modelira z mešanico Gaussov (GMM). Rekonstrukcijske posodobitve izračunavamo s pomočjo pred kratkim predstavljene metode oKDE. Število komponent ohranjamo nizko preko kompresije porazdelitev. V ta namen smo predlagali novo kriterijsko funkcijo, ki meri stopnjo izgube diskriminacije med kompresijo in preprečuje kompresije, ki vodijo k nižji diskriminaciji. Metoda tako neodvisno posodablja vsak razred posebej, med kompresijo pa razredi sodelujejo pri ohranjanju diskriminativne informacije. Predlagano metodo imenujemo sprotni diskriminativni ocenjevalec z jedri (odKDE). Izvedli smo primerjavo med odKDE, oKDE, paketnimi in sprotnimi metodami podpornih vektorjev in paketnimi ocenjevalci porazdelitev z jedri. Rezultati kažejo, da odKDE dosega ali presega natančnost paketnih metod, hkrati pa nudi sprotno posodabljanje z velikimi podatkovnimi zbirkami in dosega nižjo kompleksnost kot oKDE.
COBISS.SI-ID: 9907284
Predlagali smo izboljšan model za vizualno sledenje z adaptivnim sklopljenim modelom. Model odlikuje sposobnost sledenja artikuliranih objektov s pomočjo preprostih vizualnih lokalnih značilnic, ki so povezane v šibko geometrično konstelacijo. Model je sposoben robustno dodajati in odvzemati lokalne značilnice glede na verjetnostne mape visokonivojskih značilnic, kot sta gibanje in barva, hkrati pa omogoča dodajanje verjetnostnih map poljubnih visokonivojskih značilnic. Model smo analizirali na izjemno veliki bazi videoposnetkov in ga primerjali z enajstimi trenutno najboljšimi sledilniki. Eksperimenti so pokazali, da predlagani sledilnik presega trenutne konkurenčne sledilnike po več kriterijih. Članek ima v Google učenjaku 137 citatov!
COBISS.SI-ID: 9431124
V tem članku smo predstavili predstavitve in mehanizme, ki omogočajo kontinuirano učenje vizualnih konceptov v dialogu s človekom ter predstavili implementirani robotski sistem. Pokazali smo kako se s procesiranjem vizualne in lingvistične informacije ustvarjajo prepričanja o svetu, ki obkroža sistem, in kako se ta prepričanja uporabljajo za načrtovanje prihodnega obnašanja sistema z namenom zadovoljitve notranjega nagona po neprestanem nadgrajevanju znanja. Sistem omogoča različne načine učenja, ki je lahko sproženo s strani človeka ali s strani sistema samega. Te principe smo demonstrirali na primeru učenja barv in oblik predmetov. Ta porazdeljen, heterogen in zelo kompleksen sistem je bil razvit v sodelovanju z drugimi projektnimi partnerji pod našim vodstvom in nadzorom in je služil za osnovo za nadaljnje raziskave in razvoj na področju umetnih spoznavnih sistemov v naši skupini in v sodelovanju s tujimi partnerji. Rezultate teh raziskav smo objavili v več člankih, med njimi tudi v publikaciji Skočaj idr., An integrated system for interactive continuous learning of categorical knowledge, Journal of experimental & theoretical artificial intelligence, 2016.
COBISS.SI-ID: 8305492
Predlagali smo novo formulacijo konstelacijskega modela s korelacijskimi filtri, ki povzema geometrijske in vizualne omejitve v eni sami konveksni kriterijski funkciji za katero izpeljemo učinkovito optimizacijo polno povezane konstelacije. Sledilnik obravana tarčo na dveh nivojih podrobnosti. Naloga grobe predstavitve je približna lokalizacija objekta, srednje-nivojska predstavitev pa uporablja deformabilni model za natančno lokalizacijo. Deformacijski model omogoča prilagajanje izgleda na tarče, ki spreminjajo aspekt ali se delno zakrivajo, kar je pogost pojav pri robotskih aplikacijah. Sledilnik podrobno analiziramo na glavnih podatkovnih zbirkah OTB, VOT2014 in VOT2015 kjer izkazuje odlično delovanje v realnem času.
COBISS.SI-ID: 1537625283