Themen                                                                                 LSP4MAT                            ...
LSP4MAT2    1. Einführung und Überblick    2. Seminar Themen    3. Administratives                                  Semina...
LSP4MAT    Large Scale Processing for Multimedia Analysis3                                      Das serielle Prinzip      ...
LSP4MAT        Large Scale Processing for Multimedia Analysis3                                              Das serielle P...
LSP4MAT        Large Scale Processing for Multimedia Analysis3                                                    Das seri...
LSP4MAT    Large Scale Processing for Multimedia Analysis4                                    Die Bedingungen             ...
LSP4MAT    Large Scale Processing for Multimedia Analysis5                               Die Herausforderung        1. Ein...
LSP4MAT    Large Scale Processing for Multimedia Analysis5                               Die Herausforderung        1. Ein...
LSP4MAT    Large Scale Processing for Multimedia Analysis5                               Die Herausforderung        1. Ein...
LSP4MAT    Large Scale Processing for Multimedia Analysis5                               Die Herausforderung        1. Ein...
LSP4MAT    Large Scale Processing for Multimedia Analysis5                               Die Herausforderung        1. Ein...
LSP4MAT    Large Scale Processing for Multimedia Analysis5                               Die Herausforderung        1. Ein...
LSP4MAT    Large Scale Processing for Multimedia Analysis6                                Die Herausforderung            W...
LSP4MAT    Large Scale Processing for Multimedia Analysis6                                Die Herausforderung            W...
LSP4MAT    Large Scale Processing for Multimedia Analysis6                                Die Herausforderung            W...
LSP4MAT    Large Scale Processing for Multimedia Analysis6                                Die Herausforderung            W...
LSP4MAT    Large Scale Processing for Multimedia Analysis7      Video        Video       Basis Feature Extraction     Vide...
LSP4MAT    Large Scale Processing for Multimedia Analysis7                                                     Basis Featu...
LSP4MAT    Large Scale Processing for Multimedia Analysis7                                                     Basis Featu...
LSP4MAT    Large Scale Processing for Multimedia Analysis7                                                       Basis Fea...
LSP4MAT    Large Scale Processing for Multimedia Analysis7                                                       Basis Fea...
LSP4MAT    Large Scale Processing for Multimedia Analysis7                                                         Basis F...
LSP4MAT    Large Scale Processing for Multimedia Analysis7                                                           Basis...
LSP4MAT    Large Scale Processing for Multimedia Analysis7                                                           Basis...
LSP4MAT8    1. Einführung und Überblick    2. Seminar Themen    3. Administratives                                  Semina...
LSP4MAT        1. Thema: Basisfeature Extraction9       Eingabe:    1         ■ Verzeichnis mit n Videos        Ausgabe:  ...
LSP4MAT     1. Thema: Basisfeature Extraction10   Aspekte, die analysiert werden können: 1      ■ Wie kann ein Videos para...
LSP4MAT     1. Thema: Basisfeature Extraction11   Literatur und Referenzen 1               Bradski, G. ; Kaehler, A. : Lea...
LSP4MAT     2. Thema: Face-Detection und Tracking12 2                      Thema 2: Face-Detection und Tracking     (1) Au...
LSP4MAT     2. Thema: Face-Detection und Tracking13   Eingabe: 2      ■ n Bilder mit und ohne Gesichter     Ausgabe:      ...
LSP4MAT     2. Thema: Face-Detection und Tracking14    ■ Aktuell basiert das Verfahren auf einer seriellen Verarbeitung: 2...
LSP4MAT     2. Thema: Face-Detection und Tracking15    Literatur und Referenzen 2                     Bradski, G. ; Kaehle...
LSP4MAT     3. Thema: Text-Lokalisierung16 3                              Thema 3: Text-Lokalisierung     (1) Text innerha...
Alpine                  Alpine              A     LSP4MAT     3. Thema: Text-Lokalisierung17 3    Eingabe:       ■ Luminan...
LSP4MAT     3. Thema: Text-Lokalisierung18   Idee: 3      ■ welche Bilder in dem Video enthalten Text      ■ in welcher Bi...
LSP4MAT     3. Thema: Text-Lokalisierung19   Workflow Prinzip 3      ■ 1. First, a vertical edge map is produced using Sobe...
LSP4MAT     3. Thema: Text-Lokalisierung20   Literatur und Referenzen 3                Bradski, G.; Kaehler, A.: Learning ...
LSP4MAT     4. Thema: Scene-Cut-Detection21                                Thema 4: Scene-Cut-Detection 4     (1) Parallel...
LSP4MAT     4. Thema: Scene-Cut-Detection21                                Thema 4: Scene-Cut-Detection 4     (1) Parallel...
LSP4MAT     4. Thema: Scene-Cut-Detection22   Eingabe: 4      ■ n Videos     Ausgabe:      ■ Liste von Schnitten mit Index...
LSP4MAT     4. Thema: Scene-Cut-Detection23 4     ■ Automatische strukturelle Gliederung von AV-Daten       ■ Zerlegung de...
LSP4MAT     4. Thema: Scene-Cut-Detection23 4     ■ Automatische strukturelle Gliederung von AV-Daten       ■ Zerlegung de...
LSP4MAT     4. Thema: Scene-Cut-Detection23 4     ■ Automatische strukturelle Gliederung von AV-Daten       ■ Zerlegung de...
LSP4MAT     4. Thema: Scene-Cut-Detection23 4     ■ Automatische strukturelle Gliederung von AV-Daten       ■ Zerlegung de...
LSP4MAT     4. Thema: Scene-Cut-Detection23 4     ■ Automatische strukturelle Gliederung von AV-Daten       ■ Zerlegung de...
LSP4MAT     4. Thema: Scene-Cut-Detection23 4     ■ Automatische strukturelle Gliederung von AV-Daten       ■ Zerlegung de...
LSP4MAT     4. Thema: Scene-Cut-Detection23 4     ■ Automatische strukturelle Gliederung von AV-Daten       ■ Zerlegung de...
LSP4MAT     4. Thema: Scene-Cut-Detection24 4    Shot Boundary Detection         Identification of          • Hard Cuts    ...
LSP4MAT     4. Thema: Scene-Cut-Detection25 4    Aspekte:       ■ Bottleneck Feature Extraction:          ■ Histogramm / P...
LSP4MAT     4. Thema: Scene-Cut-Detection26      Algorithmus: 4       ■ Feature Extraction:          ■ Histogramm / Pixel ...
LSP4MAT     4. Thema: Scene-Cut-Detection27   Literatur und Referenzen 4     1. Lienhart, R. W. (1998). Comparison of auto...
LSP4MAT     5. Thema: Visual Concept Detection28                               Thema 5: Visual Concept Detection 5     (1)...
LSP4MAT     5. Thema: Visual Concept Detection29   Eingabe: 5      ■ n Bilder:         □ Ground Truth (Trainings- und Test...
LSP4MAT     5. Thema: Visual Concept Detection30   Motivation: 5      ■One Feature to Rule Them All!      ■Gibt ein Merkma...
LSP4MAT     5. Thema: Visual Concept Detection31    ■ Textdokument Repräsentation mit Bag of Words (BoW)-Model 5         ■...
LSP4MAT     5. Thema: Visual Concept Detection31    ■ Textdokument Repräsentation mit Bag of Words (BoW)-Model 5         ■...
LSP4MAT     5. Thema: Visual Concept Detection32 5                                     Seminar: LSP4MAT, Hasso-Plattner-In...
LSP4MAT     5. Thema: Visual Concept Detection33 5                                     Seminar: LSP4MAT, Hasso-Plattner-In...
LSP4MAT     5. Thema: Visual Concept Detection34 5                                     Seminar: LSP4MAT, Hasso-Plattner-In...
LSP4MAT     5. Thema: Visual Concept Detection35   5.) Klassifikation 5                                     Seminar: LSP4M...
LSP4MAT     5. Thema: Visual Concept Detection36     Literatur und Referenzen 5     1. E. Mbanya, C. Hentschel, S. Gerke, ...
LSP4MAT     4. Thema: Maschinelles Lernen mit Mahout37                        Thema 6: Maschinelles Lernen mit Mahout 6   ...
LSP4MAT     4. Thema: Maschinelles Lernen mit Mahout37                        Thema 6: Maschinelles Lernen mit Mahout 6   ...
LSP4MAT     4. Thema: Maschinelles Lernen mit Mahout38 6     The Apache Mahout™ machine learning librarys goal is to      ...
LSP4MAT     4. Thema: Maschinelles Lernen mit Mahout39 6     Eingabe:      ■ Merkmalsdeskriptoren         □ Bag-of-Words, ...
LSP4MAT     4. Thema: Maschinelles Lernen mit Mahout40   Wie können Maschinen lernen zu lernen? 6      ■ Lernen:        in...
LSP4MAT     4. Thema: Maschinelles Lernen mit Mahout                                                                    Ba...
LSP4MAT     4. Thema: Maschinelles Lernen mit Mahout42   Supervised: 6     ■ Formale Definition:      ■ Y= f(X)      ■ mit ...
LSP4MAT     4. Thema: Maschinelles Lernen mit Mahout     Algorithmen zur Klassifikation43   Einige bekannte Vertreter: 6  ...
LSP4MAT     4. Thema: Maschinelles Lernen mit Mahout44   Random Forests (Supervised) 6      ■ Klassifikationsverfahren, bes...
LSP4MAT     4. Thema: Maschinelles Lernen mit Mahout45   Support Vector Machines (SVM) 6      ■ Large Margin Optimizer: Ge...
LSP4MAT      4. Thema: Training von Klassifikatoren mit Mahout46     Literatur und Referenzen 6      1. Christopher M. Bish...
LSP4MAT47     1. Einführung und Überblick     2. Seminar Themen     3. Administratives                                   S...
LSP4MAT48     Zusammengefasst:     (1) Basis Feature Extraction (3 Studenten)     (2) Face Clustering (3 Studenten)     (3...
LSP4MAT49     Bis nächste Woche:      ■ In die Literatur einarbeiten!!      ■ Neue Literatur recherchieren!      ■ Infrast...
Multimedia Analyse Technologien50     Literatur                 • Gibbon, D. ; Liu, Z. : Introduction to Video Search Engi...
Nächste SlideShare
Wird geladen in …5
×

Seminar Large Scale Processing for Multimedia Analysis - Themenvorstellung

1.272 Aufrufe

Veröffentlicht am

Folien zum Masterseminar 'Large Scale Processing for Multimedia Analysis', Themenvorstellungen

Veröffentlicht in: Technologie
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
1.272
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
1
Aktionen
Geteilt
0
Downloads
7
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Seminar Large Scale Processing for Multimedia Analysis - Themenvorstellung

  1. 1. Themen LSP4MAT Seminar Dr. Harald Sack / Dr. Peter Tröger Jörg Waitelonis / Magnus Knuth / Christian Hentschel Bernhard Quehl / Haojin Yang Hasso-Plattner-Institut für Softwaresystemtechnik Universität Potsdam Wintersemester 2011/2012Die nichtkommerzielle Vervielfältigung, Verbreitung und Bearbeitung dieser Folien ist zulässig (Lizenzbestimmungen CC-BY-NC). 1
  2. 2. LSP4MAT2 1. Einführung und Überblick 2. Seminar Themen 3. Administratives Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 2
  3. 3. LSP4MAT Large Scale Processing for Multimedia Analysis3 Das serielle Prinzip Feature Extraction Analyse Ergebnis Anwenden einer Extrahieren der für die Rechenvorschrift zur Analyse notwendigen Ermittlung des Eigenschaften des Videos Ergebnisses Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 3
  4. 4. LSP4MAT Large Scale Processing for Multimedia Analysis3 Das serielle Prinzip Feature Extraction Analyse Ergebnis Anwenden einer Extrahieren der für die Rechenvorschrift zur Analyse notwendigen Ermittlung des Eigenschaften des Videos Ergebnisses HardCut Detection ? diffi = ∑(framei) - ∑(framei+1) diffi > threshold yes/no Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 3
  5. 5. LSP4MAT Large Scale Processing for Multimedia Analysis3 Das serielle Prinzip Feature Extraction Analyse Ergebnis Anwenden einer Extrahieren der für die Rechenvorschrift zur Analyse notwendigen Ermittlung des Eigenschaften des Videos Ergebnisses HardCut Detection ? diffi = ∑(framei) - ∑(framei+1) diffi > threshold yes/no Object Detection sifti = SIFT(framei) isObject(sifti) yes/no Scale Invariant Feature Transform trainierter Klassifikator Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 3
  6. 6. LSP4MAT Large Scale Processing for Multimedia Analysis4 Die Bedingungen FutureSOC: - bis 48 CPUs, - 256-2048 GB RAM 2 Projekt Rechner - je 16 CPUs - ca. 100GB RAM - ca. 30TB HDD mehr als 10.000 Videos komplexer Workflow mehrere Maschinen (zum Teil in HD Formaten) mit unterschiedlichen mit je mehreren Kernen - DVCPRO Codec (50/100Mbit/s) Abhängigkeiten - 22GB/h bzw. 44GB/h Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 4
  7. 7. LSP4MAT Large Scale Processing for Multimedia Analysis5 Die Herausforderung 1. Eine sehr große Menge an Videos so schnell es geht abarbeiten. 2. Ein Video so schnell es geht prozessieren. Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 5
  8. 8. LSP4MAT Large Scale Processing for Multimedia Analysis5 Die Herausforderung 1. Eine sehr große Menge an Videos so schnell es geht abarbeiten. 2. Ein Video so schnell es geht prozessieren. Möglichkeiten? Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 5
  9. 9. LSP4MAT Large Scale Processing for Multimedia Analysis5 Die Herausforderung 1. Eine sehr große Menge an Videos so schnell es geht abarbeiten. 2. Ein Video so schnell es geht prozessieren. Möglichkeiten? (a) mehrere Maschinen arbeiten an unterschiedlichen Videos gleichzeitig (b) eine Maschine arbeitet an unterschiedlichen Videos gleichzeitig (c) eine Maschine arbeitet an einem Video parallel (d) mehrere Maschinen arbeiten an einem Video parallel Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 5
  10. 10. LSP4MAT Large Scale Processing for Multimedia Analysis5 Die Herausforderung 1. Eine sehr große Menge an Videos so schnell es geht abarbeiten. 2. Ein Video so schnell es geht prozessieren. Möglichkeiten? (a) mehrere Maschinen arbeiten an unterschiedlichen Videos gleichzeitig (b) eine Maschine arbeitet an unterschiedlichen Videos gleichzeitig (c) eine Maschine arbeitet an einem Video parallel (d) mehrere Maschinen arbeiten an einem Video parallel also: Parallelisieren über mehrere Maschinen (ScaleOut) Parallelisieren auf einer Maschine (ScaleUp) Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 5
  11. 11. LSP4MAT Large Scale Processing for Multimedia Analysis5 Die Herausforderung 1. Eine sehr große Menge an Videos so schnell es geht abarbeiten. 2. Ein Video so schnell es geht prozessieren. Möglichkeiten? (a) mehrere Maschinen arbeiten an unterschiedlichen Videos gleichzeitig (b) eine Maschine arbeitet an unterschiedlichen Videos gleichzeitig (c) eine Maschine arbeitet an einem Video parallel (d) mehrere Maschinen arbeiten an einem Video parallel also: Sehr vere infacht! Parallelisieren über mehrere Maschinen (ScaleOut) Dazu näc Parallelisieren auf einer Maschine (ScaleUp) mehr. hste Woc he Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 5
  12. 12. LSP4MAT Large Scale Processing for Multimedia Analysis5 Die Herausforderung 1. Eine sehr große Menge an Videos so schnell es geht abarbeiten. 2. Ein Video so schnell es geht prozessieren. Granularität? Möglichkeiten? (a) mehrere Maschinen arbeiten an unterschiedlichen Videos gleichzeitig (b) eine Maschine arbeitet an unterschiedlichen Videos gleichzeitig (c) eine Maschine arbeitet an einem Video parallel (d) mehrere Maschinen arbeiten an einem Video parallel also: Sehr vere infacht! Parallelisieren über mehrere Maschinen (ScaleOut) Dazu näc Parallelisieren auf einer Maschine (ScaleUp) mehr. hste Woc he Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 5
  13. 13. LSP4MAT Large Scale Processing for Multimedia Analysis6 Die Herausforderung Welche Granularität ist optimal für: (1) das Verteilen auf unterschiedlichen Maschinen, und (2) das Verteilen auf mehrere CPUs? Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 6
  14. 14. LSP4MAT Large Scale Processing for Multimedia Analysis6 Die Herausforderung Welche Granularität ist optimal für: (1) das Verteilen auf unterschiedlichen Maschinen, und (2) das Verteilen auf mehrere CPUs? Tradeoff Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 6
  15. 15. LSP4MAT Large Scale Processing for Multimedia Analysis6 Die Herausforderung Welche Granularität ist optimal für: (1) das Verteilen auf unterschiedlichen Maschinen, und (2) das Verteilen auf mehrere CPUs? Tradeoff Zeit zum Verteilen vs. Zeit zum Verarbeiten Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 6
  16. 16. LSP4MAT Large Scale Processing for Multimedia Analysis6 Die Herausforderung Welche Granularität ist optimal für: (1) das Verteilen auf unterschiedlichen Maschinen, und (2) das Verteilen auf mehrere CPUs? Tradeoff Zeit zum Verteilen vs. Zeit zum Verarbeiten Sehr vere infacht! Dazu näc hste Woc mehr. he Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 6
  17. 17. LSP4MAT Large Scale Processing for Multimedia Analysis7 Video Video Basis Feature Extraction Video Jobs Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 7
  18. 18. LSP4MAT Large Scale Processing for Multimedia Analysis7 Basis Features z.B.: Video - Einzelframes Video Basis Feature Extraction Video - Histogramme/Statistiken - Bild Kanäle (RGB, HSV, YUV, ...) Jobs - Kantenbilder, Faltung - ... Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 7
  19. 19. LSP4MAT Large Scale Processing for Multimedia Analysis7 Basis Features z.B.: Video - Einzelframes Video Basis Feature Extraction Video - Histogramme/Statistiken - Bild Kanäle (RGB, HSV, YUV, ...) Jobs - Kantenbilder, Faltung - ... Face Detection Face Tracking (Clustering) Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 7
  20. 20. LSP4MAT Large Scale Processing for Multimedia Analysis7 Basis Features z.B.: Video - Einzelframes Video Basis Feature Extraction Video - Histogramme/Statistiken - Bild Kanäle (RGB, HSV, YUV, ...) Jobs - Kantenbilder, Faltung - ... Face Detection Text Identification Face Tracking (Clustering) Pipeline Ermittlungen nach Bombenfunden Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 7
  21. 21. LSP4MAT Large Scale Processing for Multimedia Analysis7 Basis Features z.B.: Video - Einzelframes Video Basis Feature Extraction Video - Histogramme/Statistiken - Bild Kanäle (RGB, HSV, YUV, ...) Jobs - Kantenbilder, Faltung - ... Face Detection Text Identification Scene Cut Detection Face Tracking (Clustering) Pipeline • Hard Cuts • Soft Cuts • DropOuts • Wipes/Fades Ermittlungen nach Bombenfunden Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 7
  22. 22. LSP4MAT Large Scale Processing for Multimedia Analysis7 Basis Features z.B.: Video - Einzelframes Video Basis Feature Extraction Video - Histogramme/Statistiken - Bild Kanäle (RGB, HSV, YUV, ...) Jobs - Kantenbilder, Faltung - ... Face Detection Text Identification Scene Cut Detection Face Tracking (Clustering) Pipeline Visual Concept Cuts • Hard Detection • Soft Cuts • DropOuts • Wipes/Fades Ermittlungen nach Bombenfunden Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 7
  23. 23. LSP4MAT Large Scale Processing for Multimedia Analysis7 Basis Features z.B.: Video - Einzelframes Video Basis Feature Extraction Video - Histogramme/Statistiken - Bild Kanäle (RGB, HSV, YUV, ...) Jobs - Kantenbilder, Faltung - ... Face Detection Text Identification Scene Cut Detection Face Tracking (Clustering) Pipeline Visual Concept Cuts • Hard Detection • Soft Cuts Mahout Distributed Machine Learning • DropOuts • Wipes/Fades Ermittlungen nach Bombenfunden Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 7
  24. 24. LSP4MAT Large Scale Processing for Multimedia Analysis7 Basis Features z.B.: Video - Einzelframes Video Basis Feature Extraction Video - Histogramme/Statistiken - Bild Kanäle (RGB, HSV, YUV, ...) 1 Jobs - Kantenbilder, Faltung - ... Face Detection 2 Text Identification 3 Scene Cut Detection 4 Face Tracking (Clustering) Pipeline Visual Concept Cuts • Hard Detection 5 • Soft Cuts Mahout Distributed Machine Learning • DropOuts 6 • Wipes/Fades Ermittlungen nach Bombenfunden Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 7
  25. 25. LSP4MAT8 1. Einführung und Überblick 2. Seminar Themen 3. Administratives Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 8
  26. 26. LSP4MAT 1. Thema: Basisfeature Extraction9 Eingabe: 1 ■ Verzeichnis mit n Videos Ausgabe: ■ pro Video ein Verzeichnis mit Einzelbildern ■ zu jedem Einzelbild serialisierte Features (z.B. als XML) □ Farbraumhistogramme: RGB, Gray, HSV, YUV, ... □ Kantenbilder: Sobel, Canny, Laplace, ... □ Entropie □ SIFT □ uvm. Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 9
  27. 27. LSP4MAT 1. Thema: Basisfeature Extraction10 Aspekte, die analysiert werden können: 1 ■ Wie kann ein Videos parallel eingelesen und weiterverarbeitet werden? ■ Wo sind die Bottlenecks bzgl. IO, CPU, Memory? ■ Wie könnte man die einzelnen Feature-Algorithmen parallelisieren? Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 10
  28. 28. LSP4MAT 1. Thema: Basisfeature Extraction11 Literatur und Referenzen 1 Bradski, G. ; Kaehler, A. : Learning OpenCV. Beijing : OReilly, 2008 Rafael C. Gonzalez ; Richard E. Woods : Digital Image Processing Addison-Wesley Longman Publishing Co., Inc. Boston, MA, USA ©2001 http://ffmpeg.org Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 11
  29. 29. LSP4MAT 2. Thema: Face-Detection und Tracking12 2 Thema 2: Face-Detection und Tracking (1) Aus einer gegebenen Menge von n Bildern Gesichter extrahieren (mit OpenCV). (2) aus den Gesichtern Features extrahieren (3) die Featurevektoren Clustern Face Detection Face Tracking (Clustering) 3 Studenten Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 12
  30. 30. LSP4MAT 2. Thema: Face-Detection und Tracking13 Eingabe: 2 ■ n Bilder mit und ohne Gesichter Ausgabe: ■ Zuordnung: Bild - Cluster ■ Also: die Information, welches Bild ein Gesicht eines Clusters enthält. ■ Idealerweise ist dies die Person, die diesen Cluster repräsentiert. Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 13
  31. 31. LSP4MAT 2. Thema: Face-Detection und Tracking14 ■ Aktuell basiert das Verfahren auf einer seriellen Verarbeitung: 2 □ Erst werden alle Gesichter extrahiert, dann alle Features extrahiert und anschließend geclustert, etc. ■ Zu erreichen sind: □ Gesichter parallel detektieren (mehrer Bilder gleichzeitig bearbeiten) □ Features parallel extrahieren □ das Clustering parallelisieren: □ aktuell kombiniertes Verfahren aus EM-Clustering und k-Means-Clustering □ diese Verfahren müssen parallelisiert werden, oder eine parallelisierte Alternative erarbeitet werden Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 14
  32. 32. LSP4MAT 2. Thema: Face-Detection und Tracking15 Literatur und Referenzen 2 Bradski, G. ; Kaehler, A. : Learning OpenCV. Beijing : OReilly, 2008 Rafael C. Gonzalez ; Richard E. Woods : Digital Image Processing Addison-Wesley Longman Publishing Co., Inc. Boston, MA, USA ©2001 Thomas Mitchell. Machine Learning. Mcgraw-Hill Higher Education, 1997. Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 15
  33. 33. LSP4MAT 3. Thema: Text-Lokalisierung16 3 Thema 3: Text-Lokalisierung (1) Text innerhalb eines Bildes finden. (2) Schneller als Echtzeit, d.h. in weniger als 1/25 Sekunden Text Identification Pipeline Ermittlungen nach Bombenfunden Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 16
  34. 34. Alpine Alpine A LSP4MAT 3. Thema: Text-Lokalisierung17 3 Eingabe: ■ Luminanzkanal von n Bilder Ausgabe: ■ pro Bild einer Liste von Textboxen (BoundingBoxes) Luminanz Eingabe Textlokalisation (Luminanz Image) Chrominanz (blue) Ausgabe Textbox Chrominanz (red) [x,y,width,height] Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 17
  35. 35. LSP4MAT 3. Thema: Text-Lokalisierung18 Idee: 3 ■ welche Bilder in dem Video enthalten Text ■ in welcher Bildregion befindet sich der Text on acti xtr eE atur Fe Analyse der Features Bestimmen der Bildregion Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 18
  36. 36. LSP4MAT 3. Thema: Text-Lokalisierung19 Workflow Prinzip 3 ■ 1. First, a vertical edge map is produced using Sobel filter ■ 2. Morphological dilation operation is adopted to link the vertical character edges together ■ 3. A binary mask is generated ■ 4. Create a binary map after Connected Component analyse ■ 5. binary map after the adaptive projection profile refinement Fig. 1. Workflow of the proposed text detection method. (b) is the vertical edge map of (a). (c) is the vertical dilation map of Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam (b). (d) is the binary map of (c). (e) the result map of subsequent connected component analysis. (f) shows the binary map after 19
  37. 37. LSP4MAT 3. Thema: Text-Lokalisierung20 Literatur und Referenzen 3 Bradski, G.; Kaehler, A.: Learning OpenCV. Beijing : OReilly, 2008 Rafael C. Gonzalez ; Richard E. Woods: Digital Image Processing Addison-Wesley Longman Publishing Co., Inc. Boston, MA, USA ©2001 Haojin Yang, Bernhard Quehl, Harald Sack: Text detection in video images using adaptive edge detection and stroke width verification, International Conference On Systems, Signals And Image Processing, Vienna, 2012 (submitted) Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 20
  38. 38. LSP4MAT 4. Thema: Scene-Cut-Detection21 Thema 4: Scene-Cut-Detection 4 (1) Parallelisieren der Feature Extraction für Scene-Cut- und Shot-Detection Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 21
  39. 39. LSP4MAT 4. Thema: Scene-Cut-Detection21 Thema 4: Scene-Cut-Detection 4 (1) Parallelisieren der Feature Extraction für Scene-Cut- und Shot-Detection Scene Cut Detection • Hard Cuts • Soft Cuts • DropOuts • Wipes/Fades Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 21
  40. 40. LSP4MAT 4. Thema: Scene-Cut-Detection22 Eingabe: 4 ■ n Videos Ausgabe: ■ Liste von Schnitten mit Index, Frame Position im Videodatenstrom, Dauer des Schnittes und Schnitttype Index Frame Cut duration Cut type number 79 85810 0 HardCut 80 88688 53 SoftCut 81 7896 2 DropOut 82 32592 18 FadeOut 83 124140 36 Whipe Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 22
  41. 41. LSP4MAT 4. Thema: Scene-Cut-Detection23 4 ■ Automatische strukturelle Gliederung von AV-Daten ■ Zerlegung des Videodatenstroms in inhaltlich kohärente Abschnitte (Segmente) video 3 Studenten Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 23
  42. 42. LSP4MAT 4. Thema: Scene-Cut-Detection23 4 ■ Automatische strukturelle Gliederung von AV-Daten ■ Zerlegung des Videodatenstroms in inhaltlich kohärente Abschnitte (Segmente) video scenes 3 Studenten Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 23
  43. 43. LSP4MAT 4. Thema: Scene-Cut-Detection23 4 ■ Automatische strukturelle Gliederung von AV-Daten ■ Zerlegung des Videodatenstroms in inhaltlich kohärente Abschnitte (Segmente) video scenes frames 3 Studenten Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 23
  44. 44. LSP4MAT 4. Thema: Scene-Cut-Detection23 4 ■ Automatische strukturelle Gliederung von AV-Daten ■ Zerlegung des Videodatenstroms in inhaltlich kohärente Abschnitte (Segmente) video scenes frames 3 Studenten Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 23
  45. 45. LSP4MAT 4. Thema: Scene-Cut-Detection23 4 ■ Automatische strukturelle Gliederung von AV-Daten ■ Zerlegung des Videodatenstroms in inhaltlich kohärente Abschnitte (Segmente) video scenes subshots frames 3 Studenten Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 23
  46. 46. LSP4MAT 4. Thema: Scene-Cut-Detection23 4 ■ Automatische strukturelle Gliederung von AV-Daten ■ Zerlegung des Videodatenstroms in inhaltlich kohärente Abschnitte (Segmente) video scenes subshots frames 3 Studenten Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 23
  47. 47. LSP4MAT 4. Thema: Scene-Cut-Detection23 4 ■ Automatische strukturelle Gliederung von AV-Daten ■ Zerlegung des Videodatenstroms in inhaltlich kohärente Abschnitte (Segmente) video scenes shots subshots frames 3 Studenten Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 23
  48. 48. LSP4MAT 4. Thema: Scene-Cut-Detection24 4 Shot Boundary Detection Identification of • Hard Cuts • Drop Outs • Soft Cuts, as e.g., Dissolve, Wipe, Cross-Fade, etc. Analytical Shot Boundary Detection • Analysis of Luminance/Chrominance Histograms • Analysis of Edge Distribution • Analysis of Motion Vectors Machine Learning • Classification of Hard/Soft Cuts based on Image Features • K-Nearest Neighbor • Random Forrest • Support Vector Machines Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 24
  49. 49. LSP4MAT 4. Thema: Scene-Cut-Detection25 4 Aspekte: ■ Bottleneck Feature Extraction: ■ Histogramm / Pixel Differenzen aufeinanderfolgender Frames ■ Wie kann das Partitionieren der Daten möglichst schnell erfolgen? ■ Wie können die Grenzen zwischen den Partitionen behandelt werden? Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 25
  50. 50. LSP4MAT 4. Thema: Scene-Cut-Detection26 Algorithmus: 4 ■ Feature Extraction: ■ Histogramm / Pixel Differenzen extrahieren ■ Differenzen sortieren ■ Threshold bestimmen ■ Differenzenanstieg bestimmen und mit th (45°) vergleichen ■ Anstieg > th = HardCut Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 26
  51. 51. LSP4MAT 4. Thema: Scene-Cut-Detection27 Literatur und Referenzen 4 1. Lienhart, R. W. (1998). Comparison of automatic shot boundary detection algorithms. Proceedings of SPIE, 3656(SPIE 3656), 290-301. Spie. 2. Yuan, J., Wang, H., Xiao, L., Zheng, W., Li, J., Lin, F., & Zhang, B. (2007). A Formal Study of Shot Boundary Detection. IEEE Transactions on Circuits and Systems for Video Technology, 17(2), 168-186. 3. Boreczky, J. S. (1996). Comparison of video shot boundary detection techniques. Journal of Electronic Imaging, 5(2), 122. 4. Haojin Yang, Maria Siebert, Patrick Lühne, Harald Sack and Christoph Meinel, (2011) Automatic Lecture Video Indexing Using Video OCR Technology IEEE Int. Symposium on Multimedia 2011 ISM , Dana Point, CA, USA, 5-7. Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 27
  52. 52. LSP4MAT 5. Thema: Visual Concept Detection28 Thema 5: Visual Concept Detection 5 (1) Implementieren des ‘Bag of Words’ Ansatzes zur generischen Klassifikation visueller Daten (OpenCV, libSVM) (2) Die einzelnen Arbeitsschritte sollen parallelisiert werden (dazu gleich mehr...) ■ Low-level Feature Extraction ■ BoW Feature Aggregation ■ Training ■ Classification Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 28
  53. 53. LSP4MAT 5. Thema: Visual Concept Detection29 Eingabe: 5 ■ n Bilder: □ Ground Truth (Trainings- und Testdaten) □ Pascal VOC 2010 (Visual Object Challenge) http://pascallin.ecs.soton.ac.uk/ challenges/VOC/voc2010/ Ausgabe: ■ Kassifikationsergebnis, z.B. Bild zeigt Auto Aufgabe: Parallelisierung der einzelnen Schritte ■ Feature Extraktion ■ Codebook Generierung ■ BoW Generierung ■ Training + Klassifikation Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 29
  54. 54. LSP4MAT 5. Thema: Visual Concept Detection30 Motivation: 5 ■One Feature to Rule Them All! ■Gibt ein Merkmal, mit dem sich generisch beliebige visuelle Konzepte lernen lassen? - Partylife - Sea - Aesthetic_Impression - Family_Friends - Mountains - Overall_Quality - Beach_Holidays - Day - Fancy - Building_Sights - Night - Architecture - Snow - Sunny - Street - Citylife - Sunset_Sunrise - Church - Landscape_Nature - Still_Life - Bridge - Sports - Macro - Park_Garden - Desert - Portrait - Rain - Spring - Overexposed - Toy - Summer - Underexposed - MusicalInstrument - Autumn - Neutral_Illumination - Shadow - Winter - Motion_Blur - bodypart - Indoor - Out_of_focus - Travel - Outdoor - Partly_Blurred - Work - Plants - No_Blur - Birthday - Flowers - Single_Person - Visual_Arts - Trees - Small_Group - Graffiti - Sky - Big_Group - Painting - Clouds - No_Persons - artificial - Water - Animals - natural - Lake - Food - technical - River - Vehicle - ... Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 30
  55. 55. LSP4MAT 5. Thema: Visual Concept Detection31 ■ Textdokument Repräsentation mit Bag of Words (BoW)-Model 5 ■ “John likes to watch movies. Mary likes too.” ■ “John also likes to watch football games.” ■ dictionary/codeword vocabulary={1:"John", 2:"like", 3:"watch", 4:"movie", 5:"football", 6:"games", 7:"Mary"} ■ BoW-Feature Vectors: - [1, 2, 1, 1, 0, 0, 1] - [1, 1, 1, 0, 1, 1, 0] ■ Bildrepräsentation?? ■ Was sind Wörter? ■ Was sind relevante Wörter? ➡ Bag of Visual Words Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 31
  56. 56. LSP4MAT 5. Thema: Visual Concept Detection31 ■ Textdokument Repräsentation mit Bag of Words (BoW)-Model 5 ■ “John likes to watch movies. Mary likes too.” ■ “John also likes to watch football games.” ■ dictionary/codeword vocabulary={1:"John", 2:"like", 3:"watch", 4:"movie", 5:"football", 6:"games", 7:"Mary"} ■ BoW-Feature Vectors: - [1, 2, 1, 1, 0, 0, 1] - [1, 1, 1, 0, 1, 1, 0] ■ Bildrepräsentation?? ■ Was sind Wörter? ■ Was sind relevante Wörter? ➡ Bag of Visual Words Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 31
  57. 57. LSP4MAT 5. Thema: Visual Concept Detection32 5 Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 32
  58. 58. LSP4MAT 5. Thema: Visual Concept Detection33 5 Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 33
  59. 59. LSP4MAT 5. Thema: Visual Concept Detection34 5 Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 34
  60. 60. LSP4MAT 5. Thema: Visual Concept Detection35 5.) Klassifikation 5 Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 35
  61. 61. LSP4MAT 5. Thema: Visual Concept Detection36 Literatur und Referenzen 5 1. E. Mbanya, C. Hentschel, S. Gerke, M.Liu, A. Nuernberger, and P. Ndjiki-Nya. Augmenting bag-of-words - category specific features and concept reasoning. CLEF Notebook Papers/LABs/Workshops, 2010. 2. K.E.a. van de Sande, T. Gevers, and C. G.M. Snoek. A comparison of color features for visual concept classification. Proceedings of the 2008 international conference on Content-based image and video retrieval - CIVR 08, page 141, 2008. 3. D. G. Lowe. Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision, 60(2):91-110, November 2004. 4. G. Csurka, C. R. Dance, L. Fan, J. Willamowski, C. Bray, and D. Maupertuis. Visual Categorization with Bags of Keypoints. In Workshop on Statistical Learning in Computer Vision, ECCV, pages 1-22, 2004. 5. J. Sivic and A. Zisserman. Video google: a text retrieval approach to object matching in videos. In Computer Vision, 2003. Proceedings. Ninth IEEE International Conference on, pages 1470-1477, April 2003. 6. C. G. M. Snoek and M. Worring. Concept-Based Video Retrieval. Foundations and Trends in Information Retrieval, 2(4):215-322, 2009 Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 36
  62. 62. LSP4MAT 4. Thema: Maschinelles Lernen mit Mahout37 Thema 6: Maschinelles Lernen mit Mahout 6 (1) Mahout Framework zum parallelisierten Lösen verschiedener Machine Learning Aufgaben mit gegebenen Feature-Vektoren verwenden. (2) Implementieren eines parallelen SVM Algorithmus ■ Mahout unterstützt aktuell keine SVMs (3) Bottleneckanalyse bzgl. Distanzberechnung auf hochdimensionalen Vektorräumen Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 37
  63. 63. LSP4MAT 4. Thema: Maschinelles Lernen mit Mahout37 Thema 6: Maschinelles Lernen mit Mahout 6 (1) Mahout Framework zum parallelisierten Lösen verschiedener Machine Learning Aufgaben mit gegebenen Feature-Vektoren verwenden. (2) Implementieren eines parallelen SVM Algorithmus ■ Mahout unterstützt aktuell keine SVMs (3) Bottleneckanalyse bzgl. Distanzberechnung auf hochdimensionalen Vektorräumen Mahout Distributed Machine Learning Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 37
  64. 64. LSP4MAT 4. Thema: Maschinelles Lernen mit Mahout38 6 The Apache Mahout™ machine learning librarys goal is to build scalable machine learning libraries Mahout currently has • Collaborative Filtering • User and Item based recommenders • K-Means, Fuzzy K-Means clustering • Mean Shift clustering • Dirichlet process clustering • Latent Dirichlet Allocation • Singular value decomposition • Parallel Frequent Pattern mining • Complementary Naive Bayes classifier • Random forest decision tree based classifier • High performance java collections (previously colt collections) • A vibrant community • and many more cool stuff to come by this summer thanks to Google summer of code 4 Studenten Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 38
  65. 65. LSP4MAT 4. Thema: Maschinelles Lernen mit Mahout39 6 Eingabe: ■ Merkmalsdeskriptoren □ Bag-of-Words, Faces-Features, Scene-Cute-Features, ... □ Trainings- und Testsets □ Klassifikationsergebnisse für Trainingsset □ Ground Truth/Klassenzugehörigkeit der einzelnen Merkmale Ausgabe: ■ Klassifikationsergebnisse für Testset ■ Evaluation, ggf. Cross-Validierung Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 39
  66. 66. LSP4MAT 4. Thema: Maschinelles Lernen mit Mahout40 Wie können Maschinen lernen zu lernen? 6 ■ Lernen: induktives Schließen durch Beobachten von Beispielen, die eine unvollständige Information repräsentieren ■ Unüberwacht (unsupervised): Suche nach Regularitäten/Mustern in beobachteten Beispielen, Bsp.: Suche nach Ausreißern (mithilfe von Clustering) ■ Überwacht (supervised): Jedes beobachtete Beispiel trägt ein Label, Ziel des Lernens ist es, dieses Label auf unbeobachtete Fälle zu übertragen (Generalisieren statt Erinnern), Bsp: Klassifikation 4 Studenten Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 40
  67. 67. LSP4MAT 4. Thema: Maschinelles Lernen mit Mahout Background K-means Theory41 Unsupervised Mixtures 6 ■ z.B. k-Means Illustration ■ “Finde ein gute Partitionierung eines Datenraums anhand von gegebenen Instanzen.” ■ Gesucht: Zuordnung der Instanzen zu Gruppen (Clustern) ■ Abstand zwischen Clusterzentren (Prototyp) und zugeordneten Instanzen soll minimal sein ■ Fragen: □ Wie viele Cluster sollen gesucht werden? □ Was bedeutet minimal (Distanzfunktion) Buntine K-Means Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 41
  68. 68. LSP4MAT 4. Thema: Maschinelles Lernen mit Mahout42 Supervised: 6 ■ Formale Definition: ■ Y= f(X) ■ mit Y = {-1,+1} und X = {Daten} ■ Ziel: Finde f ■ Unter Verwendung von vorklassifizierten Trainingsdaten repräsentiert über geeignete Merkmale ■ Verfahren: ■ Extrahieren geeigneter Merkmale (Features) ■ (Selektion/Reduktion geeigneter Features) ■ Training (Finde f) Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 42
  69. 69. LSP4MAT 4. Thema: Maschinelles Lernen mit Mahout Algorithmen zur Klassifikation43 Einige bekannte Vertreter: 6 • K-Nearest-Neighbor K-Nearest Neighbor (k-NN) • Stimmenmehrheit der k ähnlichsten ■ Stimmenmehrheit der k ähnlichsten Instanzen; Alternativ: Abstandsgewichtung Beispiele ■ einer Instanz wird die Klasse/Kategorie/Label • Linear Discriminant Analysis (LDA) der nächsten Nachbarn zugeordnet • Minimiert Intra-Klassen Varianz und ■ Fragen: maximiert Distanz (”Unähnlichkeit”) □ Was ist das Ähnlichkeits-/Abstandsmaß? zwischen zwei Klassen □ Klassifikator ist für den Fall, dass es mehrere nä. Nachbanr gibt nicht eindeutig definiert Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 43
  70. 70. LSP4MAT 4. Thema: Maschinelles Lernen mit Mahout44 Random Forests (Supervised) 6 ■ Klassifikationsverfahren, bestehend aus mehreren Entscheidungsbäumen besteht ■ Entscheidungsbäume sind unter einer bestimmten Art von Randomisierung (Tife , Anzahl der Features, Menge der Features...) gewachsen ■ Klassifikation durch Mehrheitsentscheidung der einzelnen Bäume Entscheidungsbaum Beispiel : ■ Vorhersage, ob ein Apfelbaum Früchte tragen wird Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 44
  71. 71. LSP4MAT 4. Thema: Maschinelles Lernen mit Mahout45 Support Vector Machines (SVM) 6 ■ Large Margin Optimizer: Generalisierbarkeit ■ Nicht-lineare Probleme können gelöst werden Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 45
  72. 72. LSP4MAT 4. Thema: Training von Klassifikatoren mit Mahout46 Literatur und Referenzen 6 1. Christopher M. Bishop. Pattern Recognition and Machine Learning. Springer New York, 2007. 2. Thomas Mitchell. Machine Learning. Mcgraw-Hill Higher Education, 1997. 3. G. Rätsch. A Brief Introduction into Machine Learning. 4. E. Yom-Tov. An Introduction to Pattern Classification. Advanced Lectures on Machine Learning, Springer Berlin / Heidelberg, 2004. 5. Apache Mahout: http://mahout.apache.org/ 6. C.T. Chu, S.K. Kim, Yi A. Lin, Y. Yu, G. R. Bradski, A. Y. Ng, and K. Olukotun. Map-Reduce for machine learning on multicore. In Bernhard Schölkopf, John C. Platt, and Thomas Hoffman, editors, NIPS, pages 281– 288. MIT Press, 2006. Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 46
  73. 73. LSP4MAT47 1. Einführung und Überblick 2. Seminar Themen 3. Administratives Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 47
  74. 74. LSP4MAT48 Zusammengefasst: (1) Basis Feature Extraction (3 Studenten) (2) Face Clustering (3 Studenten) (3) Text Detection (3 Studenten) (4) Scene Cut Detection (3 Studenten) (5) Visual Concept Detection (4 Studenten) (6) Mahout Distributed Machine Learning (4 Studenten) Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 48
  75. 75. LSP4MAT49 Bis nächste Woche: ■ In die Literatur einarbeiten!! ■ Neue Literatur recherchieren! ■ Infrastruktur aufbauen, z.B.: □ OpenCV ausprobieren □ Mahout ausprobieren □ und alle anderen Tools ... ■ Die Testdaten gibt es im Laufe der kommenden Woche. Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 49
  76. 76. Multimedia Analyse Technologien50 Literatur • Gibbon, D. ; Liu, Z. : Introduction to Video Search Engines. Berlin : Springer, 2008 • Bradski, G. ; Kaehler, A. : Learning OpenCV. Beijing : OReilly, 2008 • Blog zur Webseite: http://mumat2011.blogspot.com/ Seminar: LSP4MAT, Hasso-Plattner-Institut, Universität Potsdam 50

×