Robust
Visual
Scene

 Categoriza4on
in
Context

  Prak4sche
en
robuuste
methodes

voor
geautoma4seerde
visuele
scene

 her...
Nut
en
Doel

•  Automa'sche
beeld
en
video
classifica'e














Boot







 








Vliegtuig












 




Bin...
Zoeken
versus
Classificeren

             Seman4sche
kloof


             Informa4e
   Kenmerk

Gebruiker
   BehoeJe
     G...
Automa4sche
Scene
Classifica4e


                           Lucht





                  Plant

                           ...
Lokale
Beeldkenmerken

Visueel
woordenboek

                          Lucht
 Water

                                                            L...
Leren
                                      Classificeren





               #stukjes


                                  ...
Visuele‐Woorden
Ambiguïteit


                (Hoofdstuk
5
van
de
disserta4e)

                           Lucht
 Water



...
Dynamo




  Interface                   Interface
       Query                       Query

  Result set                 ...
Dynamo

Dynamo

References

                                

SMEULDERS, A. W. M., WORRING, M., SANTINI, S., GUPTA, A., and JAIN, R. Conte...
Upcoming SlideShare
Loading in …5
×

Kbms jan catin cont(1)

405 views

Published on

Published in: Education
  • Be the first to comment

  • Be the first to like this

Kbms jan catin cont(1)

  1. 1. Robust
Visual
Scene
 Categoriza4on
in
Context
 Prak4sche
en
robuuste
methodes
 voor
geautoma4seerde
visuele
scene
 herkenning
met
gebruik
van
context
 Jan
van
Gemert

  2. 2. Nut
en
Doel
 •  Automa'sche
beeld
en
video
classifica'e
 












Boot







 








Vliegtuig












 




Binnen/Buiten
 •  Toepassing:
filteren,
bekijken,
zoeken
in
grote
collec4es
van
 beelden
en
videos
 •  Partner:
Beeld
en
Geluid,

700,000
uur
 aan
televisie,
radio
en
film

  3. 3. Zoeken
versus
Classificeren
 Seman4sche
kloof
 Informa4e
 Kenmerk
 Gebruiker
 BehoeJe
 Gelijkenis
 Computer
 101010 010011 Fietsen
 110101 Bloemen
 101010 Gezichten
 010011 110101
  4. 4. Automa4sche
Scene
Classifica4e
 Lucht
 Plant
 Gebouw
 Water
 Water
 Gat

  5. 5. Lokale
Beeldkenmerken

  6. 6. Visueel
woordenboek
 Lucht
 Water
 Lucht
 Berg
 Plant
 Plant
 Gebouw
 Zand
 Steen
 Water
 Water
 Gat
 Lucht
 Berg
 Zand
 Water
 Plant
 Steen
 9
 2
 0
 6
 3
 4
 Hele
beeld
gerepresenteerd
als
vector
van
6
getallen

  7. 7. Leren
 Classificeren
 #stukjes
 ?
 #beelden
 0 Test
matrix
 Train
matrix
 Verdeler

  8. 8. Visuele‐Woorden
Ambiguïteit

 (Hoofdstuk
5
van
de
disserta4e)
 Lucht
 Water
 Berg
 Plant
 Zand
 Steen
 Onzekerheid:
keuze
uit
meerdere
stukjes;
 Plausibiliteit:
is
een
stukje
representa4ef;
 Lucht
 Berg
 Zand
 Water
 Plant
 Steen
 9
 10.6
 2
 0
 0
 6
 7.1
 3
 2.3
 4
 2.3
 Originele
“harde”
toewijzing
van
puzzelstukjes
 Voorgestelde
“zachte”
toewijzing
van
puzzelstukjes

  9. 9. Dynamo
 Interface Interface Query Query Result set Result set Mediatype / Rh. Relations / Pre. dimensions Content Mediatype / Communicative Devices tree analysis Rh. Relations Constrains Pre. dimensions Presentation Communicative Devices tree Constrains Presentation
  10. 10. Dynamo

  11. 11. Dynamo

  12. 12. References
 
 SMEULDERS, A. W. M., WORRING, M., SANTINI, S., GUPTA, A., and JAIN, R. Content- based image retrieval: the end of the early years, 1349 - 1380, 22 - 12, IEEE trans. PAMI, 2000. Nack, F., Windhouwer, M., Hardman, L., Pauwels, E., & Huijberts, M. (2001) The Role of High-level and Low-level Features in Style-based Retrieval and Generation of Multimedia Presentations. The New Review of Hypermedia and Multimedia 2001, Vol. 7, pp. 7 – 37. J. C. van Gemert, J. M. Geusebroek, C. J. Veenman, and A. W. M. Smeulders. Kernel codebooks for scene categorization. In European Conference on Computer Vision, October 2008. Frank Nack nack@uva.nl 12 KBMS

×