Klassifikation

In natürlichen Umgebungen kommen verschiedene Objektkategorien normalerweise gleichzeitig vor (wie Auto und Fußgänger). Daher sind bei der Erkennung eines bestimmten Objektes nicht nur die von diesem Objekt gewonnenen Merkmale hilfreich, sondern auch die Identitäten anderer in derselben Szene sichtbaren Objekte. So findet man zum Beispiel eine Maus und eine Tastatur oft in der Nähe eines Computermonitors, und somit entsteht durch das häufig gleichzeitige Auftreten ein Objekt-zu-Objekt-Zusammenhang. Ein Weg zur Einbeziehung von Informationen über möglicherweise rauschbehaftete Identitäten anderer Objekte in der Szene ist die gemeinsame Optimierung der Identitäten aller erkannten Objekte mithilfe einer ordnenden oder probabilistischen Annahme eines Objektklassifikators. Wir nutzen das Markov-Zufallsfeld-Modell (MRF) für die Berücksichtigung des natürlichen oder erwarteten gleichzeitigen Auftretens verschiedener Objekte für die Verbesserung der Ergebnisse des Objektkategorieklassifikators. Darüber hinaus untersuchen wir das Social-Media-Mining als eine ergiebige Quelle für das Extrahieren des natürlichen gemeinsamen Auftretens von Objekten und analysieren die Übertragbarkeit bei der Verwendung als Hilfe beim Szene-Labeling in künstlich erzeugten Benchmark-Datensätzen. Das Konzept der Nutzung des räumlichen Kontextes stützt sich auf die Tatsache, dass bestimmte Objekte normalerweise in bestimmten Umgebungen oder in der Nähe anderer bestimmter Objekte zu finden sind. Daher ist die Modellierung dieser Beziehungen zwischen Objekten unabdingbar. Neuere Forschungsvorhaben im Bereich Computer Vision konzentrieren sich darauf, wie kontextuelle Beziehungen sich für die Verbesserung der Objekterfassung und -erkennung nutzen lassen – insbesondere im Innenbereich.