Ingezonden persbericht
*
*
* Patroonherkenning
* 28-01- 2002 | 10.30 uur
* hr. C.J. Veenman | doctorandus in de informatica
* promotor | Prof.dr.ir. E. Backer (fac. ITS)
* toeg.prom. | Dr.ir. M.J.T. Reinders (UHD-fac. ITS)
*
* Optimization aspects in unsupervised pattern recognition
* In deze thesis worden drie verschillende computer vision en machine
learning problemen behandeld. Om te beginnen bestuderen we het
bewegingscorrespondentieprobleem, waarvoor een verscheidenheid aan
kwalitatieve en statistische oplossingsmethoden bestaat. Wij concentreren
ons op de kwalitatieve modellering, waarbij we ons eerst concentreren op
situaties waar toekenningsconflicten ontstaan, ofwel veroorzaakt doordat
verschillende kenmerkpunten passen op één gemeten punt, ofwel andersom. We
laten daarbij afzonderlijke puntspoorinitialisering en -beëindiging buiten
beschouwing, omdat dit principiëel conflicteert met het modelleren van
tijdelijk niet gedetecteerde kenmerkpunten. We presenteren een model en
bijpassend algoritme dat dit model op een 'greedy' manier optimaliseert
inclusief een effectieve manier om bestand te zijn tegen detectiefouten en
occlusie. Bovendien beschrijven we hoe de puntsporen automatisch,
gelijktijdig geïnitialiseerd kunnen worden.
* Vervolgens breiden we dit optimaliseringsalgoritme uit zodanig dat
de puntcorrespondentiebeslissingen worden uitgesteld om zo de uiteindelijke
resultaten te verbeteren. Dat wil zeggen, we testen of de consequenties van
een aantal kandidaatcorrespondenties leiden to andere en betere puntsporen.
Om de enorme zoekruimte die dit oplevert te beperken, worden de
kandidaat-oplossingen geordend en additionele constraints opgelegd.
* Tenslotte passen we het bewegingscorrespondentiemodel aan, zodat het
aantal te volgen punten in de tijd mag variëren. Omdat deze optie
principieel conflicteert met het omgaan met tijdelijk missende puntmetingen
zijn extra aanpassingen nodig. Ten eerste voegen we een
optimaliseringscriterium toe dat ernaar streeft het aantal vastgestelde
puntsporen te minimaliseren. Ten tweede voegen we twee continuïteitscriteria
toe om af te dwingen dat puntsporen een voldoende aantal puntmetingen
bevatten. De andere twee problemen die we behandelen zijn het cluster- en
het verwante beeldsegmentatieprobleem. Deze problemen zijn inherent
moeilijk, zowel met betrekking tot het definiëren van adequate modellen als
het optimaliseren van de modellen. We presenteren een model voor het
clusterprobleem waarvoor het aantal clusters niet a-priori bekend hoeft te
zijn. In plaats daarvan streeft het model naar minimalisering van de som der
kwadratische fouten ten opzichte van de clustercentra, terwijl een harde
constraint op de clustervariatie wordt opgelegd. De afwezigheid van het
aantal clusters als parameter van het model is onder meer van belang in het
beeldsegmentatiedomein, waarvoor we het model specialiseren. Daarna
beschrijven we een algoritme voor de optimalisering van het model voor het
segmenteren van beelden. In dit schema wordt een aantal agenten in een
regelmatig 2-D grid geplaatst. Dit grid, dat het beeld representeert,
definieert onder andere buurrelaties tussen de agenten. Vervolgens overwegen
de agenten pixelmigratie van de ene agent naar de ander om zo de
homogeniteit van de beeldgebieden die ze representeren te verhogen. Als de
beeldgebieden van naburige agenten gezamenlijk homogeen zijn vormen de
agenten allianties. Als aan de andere kant een agent een afwijkend pixel
signaleert, zal hij deze isoleren.
* Als laatste presenteren we een partitioneel clusteralgoritme
gebaseerd op het voorgestelde clustermodel. Conceptueel werken alle clusters
samen met hun buurclusters om de kwadratische fout te minimaliseren en te
voldoen aan de variatie constraint, vergelijkbaar met het beschreven
beeldsegmentatie algoritme. Om de omgeving van een cluster vast te stellen
zonder cruciale parameters introduceren we het begrip 'foreign'
clusterelement. Tenslotte stellen we een nieuwe cluster tendens methode voor
die gebaseerd is op het variëren van de variatie constraint parameter.
* In het inleidende hoofdstuk verkennen we aspecten die het
bewegingscorrespondentieprobleem, het beeldsegmentatieprobleem en het
clusterprobleem gemeen hebben. Omdat er geen voorbeelden gegeven zijn
omtrent hoe de structuur zich in de data manifesteert, kunnen al deze
problemen als 'unsupervised' patroonherkenningsproblemen beschouwd worden.
In deze thesis hebben we deze problemen als optimaliseringsproblemen
gedefinieerd, die onvermijdelijk een aantal conflicterende generalisatie- en
specialisatiecriteria bevatten. Echter, zowel directe optimalisering van
generalisatiecriteria als specialisatiecriteria leidt tot triviale
oplossingen.
* Omdat 'unsupervised' patroonherkenningsproblemen inherent
conflicterende criteria bevatten, richten we ons in het inleidende hoofdstuk
op multiple criteria gerelateerde modellerings- en optimaliseringsaspecten.
Het blijkt dat deze problemen als zodanig onbeslisbaar zijn, omdat een groot
aantal optimale, mathematisch equivalente, oplossingen bestaat.
*
* Voor verder lezen:
* Optical Pattern Recognition XII, 19 April 2001, Orlando, USA ed. by
David P. Casasent and Tien-Hsin, 2001
* Pattern recognition in soft computing paradigm ed. by Nikhil R. Pal,
2001
* Introduction to pattern recognition statistical, structural, neural
and fuzzy logic approaches by M. Friedman, 1999
* Pattern recognition by Sergios Theodoridis and Konstantinos
Koutroumbas, 1999
* Statistical pattern recognition by Andrew Webb, 1999
*