Виктор Прун (аспирант МФТИ, ведущий разработчик ООО "Когнитивные технологии")
Все, что вы хотели знать, но боялись спросить о роботизированном КамАЗе
В последнее время пресса пестрит заметками и репортажами о беспилотных КамАЗах, что, естественно, вызывает много вопросов. На семинаре докладчик постарается часть из них прояснить, а заодно поделиться опытом разработки системы технического зрения для роботизированного КамАЗа "из первых рук". Рассказать о том, что вообще решается, в какой конфигурации, что уже получается хорошо, а где еще полно работы.
Идеи проективно инвариантного описания овала с неявной ротационной симметрией
При решении практических задач распознавания овальных кривых необходим этап их численной обработки, обеспечивающий проективно инвариантное описание опознаваемой фигуры. Овал общего вида не имеет каких-либо явных «опорных точек» (типа тт. излома, перегиба, ветвления и проч.). Привлечение же дифференциально проективных свойств кривой (схемы Картана) при обработке на дискретной сетке является задачей, практически нереализуемой. Для создания эталона фигуры требуется отыскать некие инвариантные её макроособенности, – вне опоры на производные высокого порядка. Данными, годными для получения эталона (проекции на заданный 4-вершинник либо 2D вурф-отображения кривой), могут стать позиционные оценки элементов симметрии (ЭС) фигур. В случае кривой ротационного типа симметрии («N-овала», где N – число фрагментов ротации) ЭС могут служить координаты неявного центра вращения и произвольной триады смежных точек (принадлежащих контуру овала) с тождественными проективно инвариантными свойствами, полный набор которых назван «ансамблем корреспонденции» – АК (т.е. АК N-овала состоит из N точек, а сами наборы АК представляют собой однопараметрическое семейство). Развиваемый подход предполагает создание схем поиска ЭС, независящих от обстоятельств утраты декартовых признаков симметрии в итоге трансформаций входного образа, связанных с оптической регистрацией фигуры («модель камеры-обскуры» в виде плоской центральной проекции ее контура). Идею численного анализа N-овала (дающего позиционные оценки АК) кратко выражает тезис: процедура поиска ЭС ограничена двумя циклами перебора координат точек контура (вершин дискретной аппроксимации овала), а сам комбинаторный процесс реализует цель – для случайным образом фиксированной точки АК найти пару смежных, «ей проективно симметричных в данном АК», благодаря выполнению тех или иных вурф-соотношений, с необходимостью присущих заданной композиции вспомогательных построений (требуемых согласно различиям в индексе N). Методы решения такой задачи радикально отличаются для 3-овала и N-овалов с N>3, что и станет основным предметом рассмотрения в докладе. Все обсуждаемые докладчиком процедурные подходы для нее иллюстрированы ясными численными примерами, что может поспособствовать адекватному «восприятию деклараций», не требуя от слушателя познаний в проективной геометрии и методах дискретной обработки визуальных данных.
Ключевые слова: вурф, ансамбль корреспонденций, индекс ротации.
16 октября
Галина Рожкова
Инверсия глубины и направления вращения в монокулярных и бинокулярных условиях восприятия
При рассматривании некоторых реальных трехмерных объектов или их изображений на плоской поверхности можно наблюдать эпизодическую инверсию воспринимаемого взаимного расположения деталей по глубине, а если объекты вращаются – то и инверсию направления вращения. Систематическое исследование таких феноменов началось с работы Неккера (1832 г), а на современном этапе особенно большой вклад был внесен Грегори и Ульманом. Очевидная основа этих явлений – неоднозначность сетчаточных изображений, каждое из которых может соответствовать бесконечному числу возможных трехмерных объектов. Цель доклада – на многочисленных примерах продемонстрировать явления инверсии глубины и направления вращения (с использованием программ А.П. Терехина) и проанализировать особенности взаимодействия между различными механизмами пространственного восприятия в монокулярных и бинокулярных условиях наблюдения объектов разного типа.
СОВРЕМЕННЫЕ СРЕДСТВА ОПТИЧЕСКОЙ КОРРЕКЦИИ ЗРЕНИЯ: ПРОГРЕССИВНЫЕ ОЧКИ, КОНТАКТНЫЕ ЛИНЗЫ, ИСКУССТВЕННЫЕ ХРУСТАЛИКИ и др.
Для компенсации недостатков фокусирующей системы глаза врачи уже в течение нескольких десятилетий назначают пациентам не только простые сферические и цилиндрические линзы и призмы, но и комбинированную коррекционную оптику. В последние годы предлагаемый арсенал средств оптической коррекции зрения значительно расширился. Пожилым людям, испытывающим трудности с фокусировкой как близких, так и далёких предметов, всё чаще предлагают так называемые «прогрессивные очки». Молодым людям, не желающим носить очки, рекомендуют пользоваться специальными ночными контактными линзами или вставлять искусственные хрусталики. Примечательно, что искусственные хрусталики сейчас применяют не только для коррекции аномалий рефракции, но и для устранения косоглазия. В докладе предполагается обсудить достоинства и недостатки различных средств оптической коррекции и целесообразность их использования в разном возрасте.
Проблема фильтрации дискретного случайного процесса, рассматриваемого в рамках скрытой марковской модели, возникает во многих прикладных задачах технического зрения, робототехники, навигации и других областей. Точные аналитические решения существуют лишь для очень ограниченного числа случаев – для линейных моделей с аддитивным гауссовским шумом (фильтр Калмана) и для моделей с конечным числом состояний. Далеко не всегда можно добиться удовлетворительной точности, применяя аналитические методы к произвольным моделям. Разрабатываемые в последние годы универсальные алгоритмы решения задачи фильтрации основаны на аппроксимации вероятностных распределений с помощью генерации большого числа «частиц». С их помощью можно добиваться любой требуемой точности за счет увеличения объема выборки. На семинаре будет рассказан необходимый математический аппарат, проделан обзор основных алгоритмов многочастичной фильтрации с разбором примеров задач.
SVD-разложение - полезный компонент многих алгоритмов анализа данных. В частности, важную роль SVD играет в недавнем, альтернативном EM, алгоритме разделения гауссовских смесей в многомерных пространствах, в старинном, но до сих пор важном алгоритме LSI, в работе рекомендательных систем (в этом последнем случае от SVD остаётся только имя и общая идеология, само разложение неприменимо). Во всех этих задачах SVD нужно для надёжного решения задачи линейного снижения размерности - это оправдывает широко распространённое мнение, что "SVD - это PCA для вырожденного случая". В геометрических задачах компьютерного зрения SVD-разложение тоже оказывается исключительно полезным, однако при этом на первый план выходят несколько другие его свойства. Мы напомним определение, разберём некоторые примеры: нулевое подпространство, проективное и ортогональное совмещение облаков точек, эпиполярная геометрия.
Метод поиска периодических фоновых элементов на изображении документа
Многие документы содержат повторяющиеся защитные элементы, такие как голограммы, водяные знаки, гильоши. Целью нанесения таких периодических фоновых элементов является защита от подделывания. Нахождение подобных структур обеспечивает встроенным системам оптического распознавания символов (OCR) возможность изменять настройки в зонах присутствия защитных элементов, а также повышать точность путем удаления этих элементов с максимально возможным сохранением текстовой информации документа. На семинаре будет рассказан метод детектирования и локализации периодических элементов на изображении документа, основанный на дискретном преобразовании Фурье.
Ключевые слова: обработка документов, анализ изображений, структурированные и квази-периодические шумы, Фурье-анализ, нелинейные переопределенные системы уравнений.
О комбинаторных методах проективно инвариантного описания овалов, обладающих свойством симметрии одного из трех типов (радиальной, осевой либо вращательной)
Для решения практических задач распознавания овальных кривых (например, процедуры разбиения входных контуров на классы проективной эквивалентности) необходим этап их численной обработки, обеспечивающий проективно инвариантное описание опознаваемой фигуры. Поскольку овал общего вида не имеет каких-либо явных «опорных точек» (типа тт. излома, перегиба, ветвления и проч.), а привлечение дифференциально проективных свойств кривой (анализ методами Картана-Финикова) при обработке на дискретной сетке является задачей, практически нереализуемой, для создания эталона фигуры требуется отыскать некие инвариантные её макроособенности (вне опоры на экстремумы кривизны). В качестве свойства, достаточного для формирования эталона (проекции на стандартный 4-вершинник либо 2D вурф-отображения кривой), предлагается привлечь позиционные оценки элементов симметрии (ЭС) фигур (осей и центров), при априорном условии, что каким-либо из трех типов симметрии (либо произвольным их сочетанием) анализируемый контур обладает. Подход подразумевает разработку процедур поиска ЭС, инвариантных к обстоятельствам утраты декартовых признаков симметрии – в результате трансформаций входного образа, связанных с оптической регистрацией фигуры (модель камеры-обскуры в виде плоской центральной проекции). При всём разнообразии свойств овалов с ЭС идею их численного анализа (дающего позиционные оценки ЭС) можно выразить тезисно в рамках концепции: процедура поиска ЭС ограничена двумя циклами перебора координат точек контура (вершин дискретной аппроксимации овала), а сам комбинаторный процесс реализует цель – для случайным образом фиксированной точки/точек контура найти «ей проективно симметричные», благодаря выполнению тех или иных инвариантных вурф-соотношений, с необходимостью присущих тому или иному «входному сценарию». Все обсуждаемые докладчиком подходы к решению этой обобщённой задачи иллюстрированы ясными модельными примерами, что «гарантирует адекватное восприятие деклараций», не требуя от слушателя познаний в проективной геометрии.
Особый подход к особым точкам в распознавании объектов
метод особых точек уже давно зарекомендовал себя как один из самых эффективных способов решения задачи поиска объектов. Как известно, он состоит из следующих этапов: детекция особых точек, их описание, сопоставление и нахождение проективного преобразования между объектом-эталоном и его изображением в кадре. Почти все используемые алгоритмы отличаются друг от друга только на первых двух этапах (детектирование и описание особых точек), в то время как уже стало общепринятым решать задачу сопоставления трудоемким поиском ближайшего соседа в какой-либо метрике. Алгоритм, который будет подробно разобран на семинаре (random ferns), предлагает совершенно другой способ сопоставления особых точек. А именно, решение оптимизаци
