Lernen effizienter Abtastung für das aktive Sehen

• Antragsteller: Professor Dr. Thomas Martinetz
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2011 bis 2016
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 200335461

Agenten in der realen Welt, ausgestattet mit limitierten Ressourcen zur Informationsverarbeitung, müssen effiziente Strategien zur Informationsaufnahme einsetzen. Neue theoretische Ergebnisse zum Compressed Sensing versprechen völlig neue Ansätze zur effizienten Informationsaufnahme. Unser Projekt soll diese Ansätze für Active Vision nutzen, sie erweitern und deren Grenzen ausloten. Zunächst wollen wir Compressed Sensing und Prinzipien des Active Vision zu einer hierarchischen Informationsaufnahme zusammenführen und dadurch die Effizienz signifikant steigern. Die daraus resultierenden Strategien der bildbasierten Informationsaufnahme sollen sich an spezielle Bildklassen (z.B. Landschaften, Gesichter, Text, etc.) oder Aufgaben (z.B. Objektsuche) anpassen. Dazu entwickeln und nutzen wir Verfahren des maschinellen Lernens, die auf den Gütemaßen des Compressed Sensing agieren und mit Ansätzen des ”reinforcement learning” aus dem Bereich Active Vision verknüpft werden sollen. Damit kann der Agent seine Strategie der Informationsaufnahme an Umgebungen und Aufgaben anpassen. Schließlich wollen wir die Erkenntnisse für ein besseres Verständnis des menschlichen aktiven Sehens nutzen und mit ”eye-tracking” Experimenten untermauern. Die experimentellen Daten sollen für entsprechende ”challenges” zur Verfügung gestellt werden.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 1527: Autonomes Lernen
• Beteiligte Person: Professor Dr.-Ing. Erhardt Barth