Télécharger la présentation
La présentation est en train de télécharger. S'il vous plaît, attendez
Publié parChristine Germain Modifié depuis plus de 9 années
1
Hervé Guillaume Université Paris-Sud Groupe Perception Située – LIMSI CNRS Directeur Scientifique : Philippe Tarroux Amorçage contextuel pour la perception artificielle
2
Approche Classique 12 ai........amai........am ai........amai........am Région d’intérêt Décrite par une collection d’attributs Objets Décrits par une collection d’attributs intrinsèques Définition d’un région d’intérêt Description par une collection d’attributs Mise en correspondance avec un modèle d’objets Difficultés : L’information ne provient que de l’objet. Si l’image de l’objet est dégradée, occultée ou reflète un point de vue inhabituelle la correspondance avec le modèle échoue
3
Amorçage contextuel dj...dndj...dn dj...dndj...dn 12 0 Contexte Codage à bas niveau Réduction des objets possibles Objets Décrits par une collection d’attributs déictiques Amorçage contextuel : Description sous la forme d’un vecteur d’attributs. Calcul de la probabilité d’occurrence d’un objet connaissant la description du contexte. Avantages : Réduction de l’espace de recherche : les objets improbables sont déboutés. Robustesse accrue : simplification et réduction du nombre d’attributs nécessaires pour l’identification.
4
Images à basse résolution : saurez-vous identifier les deux objets ? Contexte et attributs déictiques : un exemple
5
Processus Attentionnels dj...dndj...dn dj...dndj...dn et processus attentionnels Identification active en contexte (Recherche d’attributs) : Connaissant le contexte le système va chercher les attributs de l’objet recherché en fonction du contexte d’apparition Localisation en contexte (Focalisation attentionnelle) : apprentissage des localisations préférentielles d’un objet en fonction du contexte.
Présentations similaires
© 2024 SlidePlayer.fr Inc.
All rights reserved.