Több irányú, alaksablonok nélküli épület detekció légiképeken Manno-Kovács Andrea, Szirányi Tamás Elosztott Események Elemzése Kutatócsoport MTA SZTAKI.

Slides:



Advertisements
Hasonló előadás
Energia, Munka, Teljesítmény Hatásfok
Advertisements

ÉRDEKES PONTOK KINYERÉSE DIGITÁLIS KÉPEKEN. BEVEZETÉS  ALAPPROBLÉMA  Jellemzőpontok detektálása mindkét képen  Kinyert pontok megfeleltetése  Megfeleltetések.
Csonkolt henger szerkesztése
Fejmozgás alapú gesztusok felismerése
Triclops HW-SW rendszer - 3D felület modellezés Patkó Tamás - Hexium Kft. Radványi András - MTA SzTAKI.
Ozsváth Károly TF Kommunikációs-Informatikai és Oktatástechnológiai Tanszék.
1 AIBO Robotfoci Bodor László IAR Bevezetés AIBO RoboCup AIBO RoboCup Célok Célok Rendszer elemei Rendszer elemei Megvalósítás terve Megvalósítás.
MI 2003/9 - 1 Alakfelismerés alapproblémája: adott objektumok egy halmaza, továbbá osztályok (kategóriák) egy halmaza. Feladatunk: az objektumokat - valamilyen.
ALAKZATOK TRANSZFORMÁCIÓJA ÚJ KÉPSÍKOK BEVEZETÉSÉVEL
Számítógépes algebrai problémák a geodéziában
Foltkeresés tüdő röntgen képeken
Önálló Laboratórium II. Készítette: Varga Róbert
Digitális képanalízis
Csoportosítás megadása: Δx – csoport szélesség
Mozgó Objektumok Detektálása és Követése Robotkamera Segítségével
MI 2003/ Alakfelismerés - még egy megközelítés: még kevesebbet tudunk. Csak a mintánk adott, de címkék nélkül. Csoportosítás (klaszterezés, clustering).
Gazdaságelemzési és Statisztikai Tanszék
Objektum osztályozás Képfeldolgozás 2. Blaskovics Viktor, Hantos Norbert, Papp Róbert Sándor.
Hasonlósági transzformáció
SzTE JGYTFK Matematika Tanszék
Szoftver bonyolultsági mértékek alkalmazási területei Király Roland 2011.
Vámossy Zoltán 2004 (Mubarak Shah, Gonzales-Woods anyagai alapján)
Küszöbölés Szegmentálás I.
A háromszögek nevezetes vonalai
Nemzetközi kutatási együttműködések és regionális innováció: A gazdasági fejlettség szerepe Varga Attila és Sebestyén Tamás PTE KTK és MTA-PTE Innováció.
Hasonlóságelemzés COCO használatával a MY-X elemzőben
INNOCSEKK 156/2006 Hasonlóságelemzés-alapú vizsgálat a COCO módszer használatával Készítette: Péter Gábor
A GYÓGYTURIZMUS HELYZETE MAGYARORSZÁGON, FEJLESZTÉSI LEHETŐSÉGEI (THE POSITION OF MEDICAL TOURISM IN HUNGARY AND ITS DEVELOPMENT OPPORTUNITIES) Készítette:
Készítette: Kosztyán Zsolt Tibor
Lázár István Témavezető: Hajdu András
Horváth Zsolt Schnádenberger Gábor Varjas Viktor
Implementált képfeldolgozó algoritmusok
HATÉKONY SAJÁTSÁGKIEMELŐK KÉPEK ÖSSZEHASONLÍTÁSÁHOZ MobileAssistant workshop, május 4. Főnix Inkubátorház, 4029 Debrecen, Csapó u. 42. A ép III/2.
Fejmozgás alapú gesztusok felismerése Bertók Kornél, Fazekas Attila Debreceni Egyetem, Informatikai Kar Debreceni Képfeldolgozó Csoport KÉPAF 2013, Bakonybél.
METSZÉSI FELADATOK.
MATEMATIKA GEOMETRIAI TRANSZFORMÁCIÓK: Egybevágósági transzformáció
A hiba-előjel alapú FxLMS algoritmus analízise Orosz György Konzulensek: Péceli Gábor, Sujbert László Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika.
Rekeszív meghatározása tüdőröntgenen
Gépi tanulás Tanuló ágens, döntési fák, általános logikai leirások tanulása.
Önálló labor munka Csillag Kristóf 2005/2006. őszi félév Téma: „Argument Mapping (és hasonló) technológiákon alapuló döntéstámogató rendszerek vizsgálata”
Lokális optimalizáció Feladat: f(x) lokális minimumának meghatározása 0.Adott egy kezdeti pont: x 0 1.Jelöljünk ki egy új x i pontot, ahol (lehetőleg)
Optimalizáció modell kalibrációja Adott az M modell, és p a paraméter vektora. Hogyan állítsuk be p -t hogy a modell kimenete az x bemenő adatokon a legjobban.
Képfeldolgozási módszerek alkalmazása kajszimagok morfológiai tulajdonságainak leírására Felföldi J. 1, Hermán R. 2, Pedryc A. 2, Firtha F. 1 1 Budapesti.
Többváltozós adatelemzés
Lineáris regresszió.
ELTE, Természetföldrajzi Tanszék
Kézmozdulat felismerő rendszer
Bellmann-Ford Algoritmus
Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Regresszió-számítás március 30. Dr. Varga Beatrix egyetemi.
Project 4: Visual motion based Human-Computer Interface Jaksa Zsombor Németh József Ungi Tamás Utasi Tamás.
Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1. Egyetemi konzulens: dr. Dobrowiecki Tadeusz (BME MIT)
Bevezetés a méréskiértékelésbe (BMETE80ME19)
MI 2003/8 - 1 Alakfelismerés alapproblémája: adott objektumok egy halmaza, továbbá osztályok (kategóriák) egy halmaza. Feladatunk: az objektumokat - valamilyen.
Készítette : Giligor Dávid Neptun : HSYGGS
Ipari képfeldolgozás és képmegjelenítés Műszaki Informatika BSc
Munka, energia teljesítmény.
3D képek a fotóidból Tövissy Judit.
Személyes adatok Manno-Kovács Andrea BME VIK, mérnök-informatikus ( ) PPKE ITK, Interdiszciplináris Műszaki Tudományok Doktori Iskola ( )
Fejmozgás alapú gesztusok felismerése Bertók Kornél, Fazekas Attila Debreceni Egyetem, Informatikai Kar Debreceni Képfeldolgozó Csoport KÉPAF 2013, Bakonybél.
Pedagógiai hozzáadott érték „Őrült beszéd, de van benne rendszer” Nahalka István
3D grafika összefoglalás
- Mobil navigáció látássérülteknek -
Korreláció, regresszió
Neumann János Informatikai Kar
Innováció és fenntartható felszíni közlekedés konferencia 2016
Jelkondicionálás.
ELEMI GEOMETRIAI ISMERETEK
A leíró statisztikák alapelemei
Mérési skálák, adatsorok típusai
Előadás másolata:

Több irányú, alaksablonok nélküli épület detekció légiképeken Manno-Kovács Andrea, Szirányi Tamás Elosztott Események Elemzése Kutatócsoport MTA SZTAKI

Bevezetés Orientáció: hasznos tulajdonság épület detekciónál Korábbi munka: egy főirányú lakott területre MHEC jellemzőpont halmaz használatával Pontok szűk környezetéből számított irányinformáció "Orientation Based Building Outline Extraction in Aerial Images", ISPRS Annals of Photogrammetry, Remote Sensing and the Spatial Information Sciences (Proc. ISPRS Congress), Melbourne, Australia, 2012.

Korábbi munka: Egy főirányú lakott terület i. jellemzőpont fő irányának (ϕ i ) kiszámítása Sűrűségfüggvény of ϕ i értékekből:, ahol ϑ(ϕ)-t egy bimodális Gauss-függvénnyel korrelálva: 2 fő csúcs (iránypár): θ, θ ortho

Orientáció alapú osztályozás – Iránybecslés Több fő iránypár (q darab): q megbecslése: ϑ(ϕ)-t több bimodális Gauss-sal korreláltatni Korreláció mérése két különböző érték alapján: Korreláció mértéke (α q ): o Nem csökken számottevően Korrelált pontok száma (CP q ): o Elér egy meghatározott arányt: 95% ([θ 1, θ ortho,1 ], [θ 2, θ ortho,2 ], …, [θ q, θ ortho,q ] )

Orientáció alapú osztályozás – Iránybecslés α 1 = 0.042; CP 1 = 558α 2 = 0.060; CP 2 = 768α 3 = 0.073; CP 3 = 786 Σ 790 pont

Orientáció alapú osztályozás – Pontok osztályozása Ponthalmaz osztályozása K-közép algoritmussal: o K az összes becsült főirány száma (2q); o A távolságmérték a szögbeli eltérés. A „merőleges” klaszterek összevonhatók.

Orientáció alapú osztályozás – Pixelek osztályozása Pixelek osztályozása: k-NN algoritmussal. Tesztek különböző k értékekre: k=3; k=7; k=11. Nem nagyon érzékeny k-ra, k=7 alkalmazva. k=3k=7k=11

Irányszelektív éldetekció – Shearlet transzformáció Waveletek: irányinformáció hatékony kezelése, Hatékony éldetekciós teljesítmény, Kizárólag a főirányú élek kiemelése.

Épület körvonalak megkeresése Jellemzőpontok és kapcsolódások (élek) fúziója; Ugyanazon épület összekötött jellemzőpontjai: inicializálás; Végleges épület körvonal meghatározása aktív kontúrral; Épületjelöltek szűrése korrelációmérték (α) alapján. Kontúr súlyozott középpontja: becslés a lokációra.

Irányérzékeny épület körvonalazás - Eredmények Kvantitatív eredmények o Objektum szintű, csak az épület helyzete o Összehasonlítás más módszerekkel o 8 kép, 88 épülettel o Képeken több fő irány van FD: hamis pozitívMD: hamis negatív