Multimodale spärliche Signaldarstellungen und deren Rolle in Compressed Sensing

• Antragsteller: Professor Dr.-Ing. Klaus Diepold, seit 9/2016
• Fachliche Zuordnung: Elektronische Halbleiter, Bauelemente und Schaltungen, Integrierte Systeme, Sensorik, Theoretische Elektrotechnik ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2016 bis 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 290606669

• Erstellungsjahr: 2020

Zusammenfassung der Projektergebnisse

In diesem Projekt haben wir Konzepte von Spärlichkeit im Kontext multimodaler Signalverarbeitung untersicht und deren Bedeutung für die Analyse von Bilddaten, insbesondere die Bildsegmentierung dargelegt. Wir haben eine Reihe von Durchbrüchen erzielen können, in den Bereichen Bild- und Signalverarbeitung, Sparsity Modelling, multimodale Segmentierung und unüberwachtes Lernen von Operatoren.

Projektbezogene Publikationen (Auswahl)

• Joint learning dictionary and discriminative features for high dimensional data. 23rd International Conference on Pattern Recognition (ICPR), 366-37, 2016
  X Wei, Y Li, H Shen, M Kleinsteuber, Y L Murphey
  (Siehe online unter https://doi.org/10.1109/ICPR.2016.7899661)
• A RGB/NIR data set for evaluating dehazing algorithms, Electronic Imaging (12), 79-87, 2017
  J Lüthen, J Wörmann, M Kleinsteuber, J Steurer
  (Siehe online unter https://doi.org/10.2352/ISSN.2470-1173.2017.12.IQSP-229)
• Dynamical textures modeling via joint video dictionary learning. IEEE Transactions on Image Processing 26 (6), 2929-2943, 2017
  X Wei, Y Li, H Shen, F Chen, M Kleinsteuber, Z Wang
  (Siehe online unter https://doi.org/10.1109/TIP.2017.2691549)
• Learning Image and Video Representations Based on Sparsity Priors. Dissertation, Fakultät Elektrotechnik und Informationstechnik,Technische Universität München, 2017
  Xian Wei
  
• Model-based learning of co-sparse representations for image processing applications. Dissertation, Fakultät Elektrotechnik und Informationstechnik, Technische Universität München, 2019
  Martin Kiechle
  
• Sample Complexity of Representation Learning for Sparse and Related Data Models. Dissertation, Fakultät Elektrotechnik und Informationstechnik,Technische Universität München, 2019
  Matthias Seibert
  
• Structured Co-sparse Analysis Operator Learning for Inverse Problems in Imaging. Dissertation, Fakultät Elektrotechnik und Informationstechnik,Technische Universität München, 2019
  Julian Wörmann