Bitte benutzen Sie diese Kennung, um auf die Ressource zu verweisen: http://dx.doi.org/10.18419/opus-10892
Autor(en): Mehl, Lukas Francesco
Titel: Anisotropic selection schemes for order-adaptive variational optical flow methods
Sonstige Titel: Anisotrope Auswahlmechanismen für ordnungsadaptive Variationsansätze zur Berechnung des Optischen Flusses
Erscheinungsdatum: 2020
Dokumentart: Abschlussarbeit (Master)
Seiten: 86
URI: http://nbn-resolving.de/urn:nbn:de:bsz:93-opus-ds-109093
http://elib.uni-stuttgart.de/handle/11682/10909
http://dx.doi.org/10.18419/opus-10892
Zusammenfassung: Variational optical flow estimation, i.e. the estimation of motion information from image sequences using continuous optimization approaches, plays an important role in computer vision. Recently, the order-adaptive regularization approach by Maurer et al. [MSB17b] has shown to yield a performance improvement by not restricting itself to first- or second-order regularization but selecting the optimal order locally adaptive. Although the regularizers included in their method are anisotropic, i.e. adaptive to local image directions, the order selection is not. The selection scheme is restricted to always choosing the same order for different local directions, which is a shortcoming that will be addressed in this thesis. After providing an introduction into the topic and a detailed derivation, minimization and discretization of the method by Maurer et al., this thesis presents the model for an order-adaptive approach that includes an anisotropic order selection scheme. The newly presented method selects the regularization order locally adaptive and individually for two directions corresponding to image structures. Additionally, by deriving the minimization of the novel method, it is shown that the same optimization as in the work of Maurer et al. [MSB17b] is possible. Finally, the approaches are compared using an evaluation on recent benchmarks and an analysis of the resulting order maps is given. While the results do not show an improvement on the benchmarks, experiments including the ground truth data show that the idea has potential.
Variationsansätze zur Berechnung des optischen Flusses, d.h. zur Schätzung von Bewegungsinformationen aus Bildsequenzen mit Hilfe von kontinuierlichen Optimierungsansätzen, spielen eine wichtige Rolle im Maschinensehen. Der kürzlich vorgestellte ordnungsadaptive Regularisierungsansatz von Maurer et al. [MSB17b] konnte eine Qualitätsverbesserung dadurch erreichen, dass er nicht auf die Regularisierung erster oder zweiter Ordnung beschränkt ist, sondern die optimale Ordnung lokal adaptiv auswählt. Obwohl die in deren vorgestelltem Verfahren enthaltenen Regularisierer anisotrop, d.h. adaptiv zu lokalen Bildrichtungen, sind, ist die Auswahl der Ordnung das nicht. Das Selektionsschema ist darauf beschränkt, für unterschiedliche lokale Richtungen immer die gleiche Ordnung zu wählen. Dies ist ein Nachteil, der in der vorliegenden Arbeit behoben werden soll. Nach einer Einführung in das Thema und einer detaillierten Herleitung, Minimierung und Diskretisierung der Methode von Maurer et al. wird in dieser Masterarbeit das Modell eines ordnungsadaptiven Ansatzes vorgestellt, der ein anisotropes Ordnungsselektionsschema beinhaltet. Das neu vorgestellte Verfahren wählt die Regularisierungsordnung lokal adaptiv und individuell für zwei Richtungen aus, die Bildstrukturen entsprechen. Zusätzlich wird durch die Herleitung der Minimierung des neuen Verfahrens gezeigt, dass die gleiche Optimierung wie in der Arbeit von Maurer et al. [MSB17b] möglich ist. Abschließend werden die Ansätze anhand einer Auswertung auf Basis aktueller Benchmarks verglichen und eine Analyse der resultierenden Ordnungskarten durchgeführt. Die Ergebnisse zeigen zwar keine Verbesserung auf den Benchmarks, aber Experimente mit den in den Trainingsdaten gegebenen echten Flussfeldern zeigen, dass die Idee Potenzial hat.
Enthalten in den Sammlungen:05 Fakultät Informatik, Elektrotechnik und Informationstechnik

Dateien zu dieser Ressource:
Datei Beschreibung GrößeFormat 
Masterarbeit_LukasMehl.pdf19,58 MBAdobe PDFÖffnen/Anzeigen


Alle Ressourcen in diesem Repositorium sind urheberrechtlich geschützt.