Proseminar Aufgabenstellungen der Bildanalyse und Mustererkennung

Sommersemester 2015

Das Proseminar befasst sich in diesem Semester mit

Object Recognition and Scene Understanding

Welche Ideen gibt es dazu? Wie ist der mathematische / algorithmische Hintergrund?

Kontakt

TUD-email Holger.Heidrich, Raum 2039

Termin

Freitag, 2. DS, 09:20-10:50 Uhr, APB E008

ACHTUNG:

Das Proseminar wurde auf den Hauptseminartermin verlegt!
Vortragstermine sind dort eingetragen.

Montag, 4.DS, 13:00, Raum 2026

zusammengelegt.

Einschreibung:

Einschreibung mit Themenwahl über TUD-email Holger.Heidrich.

max. 24 Teilnehmer

Terminvergabe/-absprache zum ersten Seminar am 17.04.2015
entsprechend der Einschreibreihenfolge.

Erforderliche Leistung für den Schein:

• Beteiligung an der Diskussion
• Vortrag 30 min + 15 min Diskussion, Präsentation
  mindestens drei Tage vorher per email abgeben
• Ausarbeitung min. 6 Seiten bis 4 Wochen nach dem
  Vortrag, im Stil einer wissenschaftlichen Veröffentlichung, enthält
  eigene Darstellung / Gedanken zum Thema und Fragen / Probleme der
  Diskussion - keine Kopie der Literatur oder Folien
• die genannte Literatur dient als Ausgangspunkt;
  weitere/aktuelle Literatur finden Sie unter den angegebenen Links:
• Wichtung: Vortrag 60%, Ausarbeitung 20%, Teilnahme/Diskussion 20%

Allgemeine Hinweise zu Recherche Links und Zitaten

Die genannte Literatur dient als Ausgangspunkt; weitere/aktuelle Literatur finden Sie unter den angegebenen Links.

Wählen Sie ein Thema aus der genannten Literatur 1-16.

Intro

1. Recent psychophysical and neural research in shape recognition.
   Biederman, I. (2007). In N. Osaka, I. Rentschler, & I. Biederman (Eds.) Object Recognition, Attention, and Action. Ch. 5, 71-88. [PDF], Bearbeiter: Maximilian Gräf

Features - lines, texture, region statistics

2.  Edge Based Probabilistic Relaxation for Sub-pixel Contour Extraction, Toshiro Kubota, Terrance L. Huntsberger, and
   Jeffrey T. Martin. 2001. EMMCVPR '01, UK, 328-343. http://dx.doi.org/10.1007/3-540-44745-8_22
   
3. SHREC 2011: robust feature detection and description benchmark Boyer, E.; Bronstein, A. M.; Bronstein, M. M.; Bustos, B.; Darom, T.; Horaud, R.; Hotz, I.; Kelle, Y.; Keustermans, J.; Kovnatsky, A.; Litman, R.; Reininghaus, J.; Sipiran, I.; Smeets, D.; Suetens, P.; Vandermeulen, D.; Zaharescu, A.; Zobel, V Proc. Eurographics 2011 Workshop on 3D Object Retrieval (3DOR'11), 2011 [PDF]

Shape recognition

4. Dynamic Time Warping of Cyclic Strings for Shape Matching, Marzal, Andrés, Palazón, Vicente, 2005/01/01, http://dx.doi.org/10.1007/11552499_71
   H. Bunke, U Bühler, Applications of approximate string matching to 2D shape recognition, Pattern Recognition, Volume 26, Issue 12, December 1993, Pages 1797-1812, DOI
5. Fast matching of planar shapes in sub-cubic runtime
   F. R. Schmidt, D. Farin, and D. Cremers, In IEEE Int. Conf. On Computer
   Vision, Rio de Janeiro, October 2007.
6. Three-Dimensional Model-Based Object Recognition and Segmentation in Cluttered Scenes,
   Mian, A.S.; Bennamoun, M.; Owens, R.,
   IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.28, no.10, pp.1584,1601, Oct. 2006, [URL]
   

Part based models

7. Discovering Object Categories in Image Collections, Sivic, J. , Russell, B. C. , Efros, A. A. , Zisserman, A. and Freeman, W. T., Proceedings of the International Conference on Computer Vision (2005), PDF
   , Bearbeiter: Lars Beck
8. Pictorial Structures for Object Recognition, P. Felzenszwalb, D. Huttenlocher,
   International Journal of Computer Vision, Vol. 61, No. 1, January 2005, pdf
9. Composite Models of Objects and Scenes for Category Recognition,
   D. Crandall, D. P. Huttenlocher, Proceedings of IEEE CVPR, 2007, Bearbeiter: Christoph Plagge
10. Part and Appearance Sharing: Recursive Compositional Models for Multi-View Multi-Object Detection,
    Long Zhu, Yuanhao Chen, Antonio Torralba, William Freeman, Alan Yuille. CVPR 2010. [pdf]

General

11. Learning Methods for Generic Object Recognition with Invariance to Pose and Lighting, Yann LeCun, Fu-Jie Huang and Leon Bottou, Proceedings of CVPR'04, IEEEPress, 2004, PDF, Bearbeiter: Kurt Lachmann
12. Learning Convolutional Feature Hierachies for Visual Recognition,
    Koray Kavukcuoglu, Pierre Sermanet, Y-Lan Boureau, Karol Gregor, Michael Mathieu and Yann LeCun, Advances in Neural Information Processing Systems (NIPS 2010), 23, 2010, PDF
13. Automatic recognition of biological particles in microscopic images,
    M. Ranzato, P.E. Taylor, J.M. House, R.C. Flagan, Y. LeCun and P. Perona,
    Pattern Recognition Letters, 28(1):31-39, January 2007, PDF
14. Comparison of learning algorithms for handwritten digit recognition,
    Y. LeCun, L. D. Jackel, L. Bottou, A. Brunot, C. Cortes, J. S. Denker, H. Drucker, I. Guyon, U. A. Muller, E. Sackinger, P. Simard and V. Vapnik, in Fogelman, F. and Gallinari, P. (Eds),
    International Conference on Artificial Neural Networks, 53-60, EC2 & Cie, Paris, 1995, PDF

Face recognition

15. Eigenspace-based face recognition: a comparative study of different approaches,
    J. Ruiz-del-Solar, P. Navarrete, IEEE Transactions on Systems, Man and Cybernetics, Part C, Vol. 35,Issue 3, August 2005, pp. 315-325, link

Scene understanding

16.  Towards Holistic Scene Understanding: Feedback Enabled Cascaded Classification Models,
    Congcong Li, Adarsh Kowdle, Ashutosh Saxena, Tsuhan Chen.
    IEEE Trans Pattern Analysis and Machine Intelligence (PAMI), July 2012. [PDF]