Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

«Ανθρωποκεντρική Επεξεργασία και Ανάλυση Οπτικής Πληροφορίας» Ιωάννης Ρήγας Πτυχιούχος Τμ. Φυσικής, Παν. Πατρών M.Sc. Ηλεκτρονικής και Η/Υ, Τμ. Φυσικής,

Παρόμοιες παρουσιάσεις


Παρουσίαση με θέμα: "«Ανθρωποκεντρική Επεξεργασία και Ανάλυση Οπτικής Πληροφορίας» Ιωάννης Ρήγας Πτυχιούχος Τμ. Φυσικής, Παν. Πατρών M.Sc. Ηλεκτρονικής και Η/Υ, Τμ. Φυσικής,"— Μεταγράφημα παρουσίασης:

1 «Ανθρωποκεντρική Επεξεργασία και Ανάλυση Οπτικής Πληροφορίας» Ιωάννης Ρήγας Πτυχιούχος Τμ. Φυσικής, Παν. Πατρών M.Sc. Ηλεκτρονικής και Η/Υ, Τμ. Φυσικής, Παν. Πατρών Σεπτέμβριος 2013 Γεώργιος Οικονόμου Καθηγητής Τμ. Φυσικής. Παν. Πατρών Επιβλέπων :

2 «Ανθρωποκεντρική Επεξεργασία και Ανάλυση Οπτικής Πληροφορίας»

3

4

5

6 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Μέθοδοι Κατασκευής Χαρτών Ενδιαφέροντος Γνωστικά Μοντέλα (ανθρώπινη αντίληψη) Μοντέλα Θεωρίας της Πληροφορίας (εντροπία, αυτό-πληροφορία) Μοντέλα Θεωρίας Αποφάσεων (διαχωριστική ανάλυση) Μοντέλα Φασματικού Πεδίου (χαρακτηριστικά φάσης) Μοντέλα Αραιής Αναπαράστασης (αραιή κωδικοποίηση) Χάρτες Οπτικού Ενδιαφέροντος (Saliency Maps)

7 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 V4 V3 V1 V3Α V2 V3Α V5 V1 : Πρωτοταγής Οπτικός Φλοιός (Primary Visual Cortex) Ιδιότητες Βιολογικών Προτύπων Αναπαράστασης α. Κατευθυντικότητα β. Χωρικός Εντοπισμός γ. Ζωνοδιαβατή Συμπεριφορά Principal Component Analysis(PCA) Υπολογιστική Μοντελοποίηση α. Κατευθυντικότητα β. Χωρικός Εντοπισμός γ. Ζωνοδιαβατά Αναπαράσταση Αραιής Κωδικοποίησης α. Κατευθυντικότητα β. Χωρικός Εντοπισμός γ. Ζωνοδιαβατά Υπερπλήρες Λεξικό

8

9 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Σχήμα Ασθενούς Ανταγωνισμού (Soft Competitive) Εξαγωγή των Αναπαραστάσεων Αραιής Κωδικοποίησης Αλγόριθμος Batch-OMP ICOPP - Intensity Color OPPonent Ενεργοποίηση Μη-ενεργοποίηση

10 Τμήμα 1 Τμήμα 2 Τμήμα 3 Τμήμα 1 - Τμήμα 2 Τμήμα 2 - Τμήμα 3 Τμήμα 1 - Τμήμα 3 Σύγκριση των Αναπαραστάσεων Αραιής Κωδικοποίησης Ηam_dist 12 = 16 Ηam_dist 23 = 16 Ηam_dist 13 = 6 Sp 1 = Ηam_dist 12 + Ηam_dist 13 = 22 Sp 2 = Ηam_dist 12 + Ηam_dist 23 = 32 Sp 3 = Ηam_dist 23 + Ηam_dist 13 = 22 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Σύγκριση με την Απόσταση Hamming Καθολική Απόσταση Hamming Ενεργ. Αραιών Συνιστωσών Μη-γραμμικό Φιλτράρισμα + Φιλτράρισμα με Gaussian

11 Υλοποίηση Σταθερού Τμήματος (Fixed Size) Εκπαίδευση Γενικού Λεξικού Offline Δυνατότητα Χρήσης του Batch-OMP Σύγκριση με Απόσταση Hamming Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Μέσος Χρόνος ( sec.) Κατασκευής Χ άρτη (για διαστάσεις εικόνας 240 x 320) * [LZXYY09] [HZD11] προτ. * Intel Core2Quad, 2.83 GHz, 4 GB RAM [HZD11] B. Han, H. Zhu, and Y. Ding, ‘Bottom-Up Saliency Based on Weighted Sparse Coding Residual’, in: Proc. ACM International Conference on Multimedia (MM '11), pp , (2011) [LZXYY09] Y. Li, Y. Zhou, L. Xu, X. Yang, and J. Yang, ‘Incremental sparse saliency detection’, in: IEEE Int. Conf. on Image Process. (ICIP), pp , (2009)

12 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 [ΗΗΚ12] [προτ.] [HHK12] X. Hou, J. Harel, and C. Koch, ‘Image Signature: Highlighting sparse salient regions’, IEEE Trans. Pattern Anal. Machine Intell. (PAMI), 34 (1), pp , (2012)

13 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 AUC Score (μ.ο. για 120 εικόνες) Gaussian σ AUC Score (μ.ο. για 120 εικόνες) Gaussian σ Toronto Toronto - Διαφορετικά λεξικά Toronto Προτεινόμενη Μέθοδος: SSCH

14 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 AUC Score (μ.ο. για 50 εικόνες) C1 - Μεγάλες Περιοχές Ενδιαφέροντος Gaussian σ C 2 - Μεσαίες Περιοχές Ενδιαφέροντος AUC Score (μ.ο. για 80 εικόνες) Gaussian σ

15 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 C 3 - Μικρές Περιοχές Ενδιαφέροντος Gaussian σ AUC Score (μ.ο. για 60 εικόνες) C 4 - Στοιχεία Περίσπασης AUC Score (μ.ο. για 15 εικόνες) Gaussian σ

16 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 C 5 - Αταξία στο Υπόβαθρο AUC Score (μ.ο. για 15 εικόνες) Gaussian σ C 6 - Μικρές και Μεγάλες Περιοχές Ενδιαφέροντος AUC Score (μ.ο. για 15 εικόνες) Gaussian σ

17 Σετ Δεδ. Αλγόριθμος Κατασκευής Χαρτών Οπτικού Ενδιαφέροντος IttiGBVSImSigHFTAIMISSSUNSPSSCH Toronto C C C C C C Μέσος Όρος Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42

18

19 Err_R → 3.14 Err_G → 2.71 Err_B → 1.91 Err_R → 0.19 Εrr_R → 7.11 Err_G → 7.35 Err_B → 7.84 Err_G → 0.11 Err_B → 0.12 Αλγόριθμος Batch-OMP Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Σφάλμα Αναδόμησης Εικόνας: Τμηματοποίηση Σφάλμα σε κάθε Χρωματικό Επίπεδο

20 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Συνολική Ενεργοποίηση στο Επίπεδο του κάθε Χρωματικού Χάρτη

21 Orthoimagery Dataset, Earth Resources Observation and Science (EROS), United States Geological Survey (USGS) 100 εικόνες αεροφωτογραφίας διαστάσεις: 2000x3000 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Μάσκα Ενδιαφέροντος (Δυαδικός Χάρτης) Βάση Δεδομένων: 50 εικόνες αεροφωτογραφίας κλιμάκωση: 854x1280 Κατάλληλη Ακατάλληλη

22 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Αλγόριθμος κατασκευής χαρτών οπτικού ενδιαφέροντος IttiImSigAIMSUNISSWRSALπροτ. AUC Score False Positive Rate (FPR) True Positive Rate (TPR) Καμπύλες ROC (μ.ο. από 50 εικόνες)

23 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Μάσκα Ενδιαφέροντος Αρχική Εικόνα Χάρτης Ενδιαφέροντος a-1 a-22

24

25 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 ?

26 dense residential agriculturalbeachbuildings chaparral forest freeway golf course harbor baseball diamond Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Βάση Δεδομένων: Αεροφωτογραφίες Χρήσης Γης-Κάλυψης Γης UC Merced LULC database 20 κατηγορίες, 100 εικόνες/κατηγορία Χαμηλές τιμές agricultural beach forest chaparral Μέση Τιμή Ενεργοποίησης Διακύμανση Ενεργοποίησης Ενδιάμεσες τιμές baseball diamond freeway golf course Μεγάλες τιμές buildings dense residential harbor

27 agricultural baseballdiamond beach buildings chaparral denseresidential forest freeway golfcourse harbor intersection mediumresidential mobilehomepark overpass parkinglot river runway sparseresidentia l storagetanks tenniscourt Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 11 κατηγορίες βελτιώθηκαν 6 κατηγορίες χειροτέρευσαν 3 μείναν στα ίδια ποσοστά dense residentialsparse residential μπλε - απλό ιστόγραμμα κόκκινο - τροποποιημένο ιστόγραμμα mean variance

28

29 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 κεντρικό βοθρίο άνω λοξός κάτω λοξός έσω ορθός έξω ορθός άνω ορθός κάτω ορθός Cambridge Research Systems (CRS) Video Eye-Tracker, 50 Hz Καταγραφή Κόρης και Διπλού Ίχνους Purkinje Υπέρυθρη κάμερα / Δίοδοι Υπέρυθρου Ακρίβεια Καταγραφής οριζόντιο/κάθετο εύρος καταγραφής ±40 0 /±20 0 Ίχνη Purkinje Σύστημα Κεντρικής Όρασης Οφθαλμοκινητικοί Μύες Κινήσεις Προσήλωσης (Fixations) Σακκαδικές Κινήσεις (Saccades) Ομαλή Παρακολούθηση (Smooth Pursuit)

30 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Θεωρία Οπτικών Μονοπατιών - Scanpath Theory (Noton & Stark) Πεδίο Χώρου - Κατανομές ΔειγμάτωνΠεδίο Χρόνου - Δυναμικά Χαρακτηριστικά Περιεχόμενο Νοητική Εργασία Ιδιοσυγκρασία Διάθεση Ταχύτητα Επιτάχυνση

31

32 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Στοιχεία Κατασκευής Βάσης Δεδομένων 15 Άτομα 10 Εικόνες Προσώπων 4 sec./Εικόνα 8 Πειραματικές Επαναλήψεις/Άτομο Οπτικό Ερέθισμα: Εικόνες Προσώπων Αντιμετώπιση Φαινομένων Εκμάθησης Διαφορετική Σειρά Εμφάνισης Εικόνων Χρονικός Διαχωρισμός Πειραματικών Επαναλήψεων

33 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 δείγματα προσήλωσης εσφαλμένα δείγματα Ελάχιστο Διασυνδετικό Δένδρο (ΕΔΔ) Δύο Σταδίων (two round - MST) Outlier Factor of Clusters

34 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Σύγκριση Κατανομών Οφθαλμικής Κίνησης με το Wald-Wolfowitz Test Κατασκευή Κοινού Ελαχίστου Διασυνδετικού Δένδρου Υπολογισμός Στατιστικών Μεγεθών Ομοιότητας από το ΕΔΔ Κοινό ΕΔΔ Δείγμα Α Δείγμα Β ακμή ενώνει δείγματα ίδιας ταυτότητας αλλιώς Runs

35 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 R a = 19 W a = subject 1- sample 4 subject 1- sample 1 κοινό ΕΔΔ subject 1- sample 1 R b = 12 W b = κοινό ΕΔΔ subject 3- sample 1 R a > R b W a > W b Ίδιο Άτομο Διαφορετικά Άτομα

36 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 χαρακτηριστικό/μέθοδος Σύστημα ταξινόμησης K-NN SVM (rbf kernel) (k = 1)(k = 3) διάμετρος κόρης/ FFT-PCA 54.2%56.1%55.4% ταχύτητα βλέμματος/ FFT-PCA 15.3%19.0%17.2% συνιστώσες θέσης/ μετ. Cepstrum 41.3%44.5%42.1% συνιστώσες θέσης/ σύγκριση με γράφους 67.5%70.2%68.8% FAR ( False Acceptance Rate ) FRR (False Rejection Rate) Soft Βιομετρικό Συμπεριφορικά Χαρακτηριστικά Μικρή Βάση Equal Error Rate 30 % Καλύτερες Επιδόσεις ΚΝΝ (k=3)

37 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Τμηματοποίηση Χρονικής Καταγραφής Οπτικό Ερέθισμα

38 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 τμήμα που αντιστοιχεί σε προσήλωση συντεταγμένες θέσης ταχύτητα οφθαλμικών κινήσεων κορυφές που αντιστοιχούν σε σακκαδικές κινήσεις περιοχή έρευνας κορυφών Αλλαγή Θέσης Ερεθίσματος + Κατώφλι Ταχύτητας Ανίχνευση Σακκαδικής Κίνησης Αλγόριθμος Τμηματοποίησης Φιλτράρισμα Υψηλών Συχνοτήτων

39 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 8-D Xώρος Xαρακτηριστικών Δεξιός-Aριστερός Οφθαλμός Ταχύτητα x-y Επιτάχυνση x-y Ταχύτητα Επιτάχυνση

40 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Δείγμα 5-1 Δείγμα 5-3 Κατασκευή κοινού ΕΔΔ R a = 96 W a = R b = 68 W b = Δείγμα 5-1 Δείγμα Ίδιο Άτομο Διαφορετικά Άτομα

41 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Σετ Δεδομένων ΑΣετ Δεδομένων Β K-NN k Ποσοστό Αναγνώρισης K-NN k Ποσοστό Αναγνώρισης 191.5%182.0% 389.8%379.7% 588.2%574.1% EMVIC 2012 (Eye Movements Verification and Identification Contest) Dataset A 37 subjects samples Dataset B 79 subjects samples Σετ Δεδομένων Α - EMVIC 2012Σετ Δεδομένων Β - EMVIC 2012 Μέθοδος Ποσοστό Αναγνώρισης Μέθοδος Ποσοστό Αναγνώρισης Michal Hradiš 97.55% Michal Hradiš 95.11% Ioannis Rigas 96.63% Ng. V. Cuong 90.42% Ng. V. Cuong 93.56% Ioannis Rigas 90.42% Andre Krause 86.50% Andre Krause 73.17% Jeong-Yoon Lee 83.13% Jeong-Yoon Lee - Ed Ramsden 75.46% Ed Ramsden 57.84% Labeled Samples Dataset ADataset B Unlabeled Samples Dataset ADataset B Training/Testing 50/50

42 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Ποσοστό Αναγνώρισης ACC1 (%) τάξη παραγώγου σήματος Προέλευση δεδομένων Ποσοστό Αναγνώρισης δεξιός οφθαλμός 85.2% αριστερός οφθαλμός 80.2% δεξιός + αριστερός οφθαλμός 91.5% Χρήση Παραγώγων Ανώτερης Τάξης Χρήση Πληροφορίας Δύο Οφθαλμών Μικρή Μεταβολή στα Ποσοστά Ταχύτητα/Επιτάχυνση: Καλό trade- off Επιδόσεων και Διαστάσεων Χ.Χ. Βελτίωση των Ποσοστών με την Χρήση και των Δύο Οφθαλμών Ποσοστά Δεξιού Οφθαλμού > Αριστερού Οφθαλμού

43

44 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 παράμετροι καταγραφής (h p x w p ), (h s x w s ), d s δειγματοληψία στον χρόνο Μέρος Α Κατασκευή Χαρτών Ενδιαφέροντος από το Περιεχόμενο Εικόνας Κατασκευή Χαρτών Οφθαλμικής Κίνησης

45 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Μικρό σ Μεγάλο σ Αποτυχία Ενσωμάτωσης σε Πιθανολογικό Πλαίσιο Πειραματική Μελέτη της Επίδρασης του σ στην Διαμόρφωση του Βιομετρικού Χαρακτηριστικού Αφομοίωση Περιοχών Ενεργοποίησης σ = σ = σ = σ = 0.064

46 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 sMap 9-1sMap 10-1 sMap 9-4 sMap 27-4 SimSc β = 0.49 SimSc α = 0.69 Βαθμός Ομοιότητας (Similarity Score) Απόκλιση Kullback-Leibner (KL-Divergence) πυκνότητες πιθανότητας κατανομών

47 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Βάσεις Δεδομένων Ταξινόμηση Βιομετρικών Προτύπων PCA στους Πίνακες Αποστάσεων ΚΝΝ Πίνακας KL-divergenceΜη-συμμετρικός Επιλογή Διαστάσεων Χώρου Βέλτιστο ‘Mapping ‘των Σχέσεων των Δειγμάτων ‘Πρόσωπα’ ‘Ακολουθίες Βίντεο’ ‘Κείμενα’ Προβολή σε Ευκλείδειο Χώρο Σύγκριση με προηγούμενη μέθοδο Trailer Ταινιών : δυναμικό ερέθισμα Ημι-καθοδηγουμενες οφθαλμικές κινήσεις + Με την PCA βελτίωση μέχρι και 28%

48 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Ακρίβεια Αναγνώρισης - Μέτρο: Βαθμός Ομοιότητας (Similarity Score) Gaussian σ (κανον. στο πλάτος του χάρτη) Βάση Δεδομένων ‘Πρόσωπα’‘Ταινία 1’‘Ταινία 2’‘Κείμενα’ %36.3%32.0%39.3% %47.2%52.1%55.6% %70.9%68.2%41.2% %82.4%81.9%36.2% %70.2%76.9%41.6% %61.5%65.9%32.7% Ακρίβεια Αναγνώρισης - Μέτρο: Απόκλιση Kullback-Leibler (KL-Divergence) Gaussian σ (κανον. στο πλάτος του χάρτη) Βάση Δεδομένων ‘Πρόσωπα’‘Ταινία 1’‘Ταινία 2’‘Κείμενα’ %90.6%89.6%56.0% %90.9%86.8%60.6% %89.1%92.4%55.5% %87.3%85.1%50.3% %82.1%77.4%54.1% %71.1%71.8%48.7% Περιοχή Λειτουργίας Βιομετρικού Προτύπου σ = Υπεροχή Απόκλισης-KL Βελτίωση Ποσοστών στο Σετ ‘Πρόσωπα’ Χειρότερες Επιδόσεις στο σετ ‘Κείμενα’

49 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 EER False Rejection Rate (FRR) False Acceptance Rate (FAR) ‘Πρόσωπα’ ‘Ταινία 1’ ‘Ταινία 2’ ‘Κείμενα’ ‘Πρόσωπα’ : 29.8% ‘Ταινία 1’ : 24.3% ‘Ταινία 2’ : 23.6% ‘Κείμενα’ : 23% Βαθμός Ομοιότητας (Similarity Score)

50 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 False Rejection Rate (FRR) False Acceptance Rate (FAR) ‘Πρόσωπα’ ‘Ταινία 1’ ‘Ταινία 2’ ‘Κείμενα’ EER ‘Πρόσωπα’ : 25.1% ‘Ταινία 1’ : 27.5% ‘Ταινία 2’ : 28.9% ‘Κείμενα’ : 25.8% Απόκλιση Kullback-Leibner (KL-Divergence) Βελτίωση EER για ‘Πρόσωπα’ Σταθερότητα για Διαφορετικά Οπτικά Ερεθίσματα

51 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 Ανάπτυξη Αλγορίθμων για την Αξιοποίηση της Αναπαράστασης Αραιής Κωδικοποίησης στον Τομέα της Κατασκευής Χαρτών Οπτικού Ενδιαφέροντος Μελέτη της Συμπεριφοράς των Αλγορίθμων που Υλοποιήθηκαν σε Βάσεις Εικόνων Διαφορετικού Περιεχομένου Κατασκευή Βάσης Δεδομένων Ανθρωποκεντρικής Κατάδειξης για Εικόνες Αεροφωτογραφίας Μελέτη Μεθόδων για την Ενσωμάτωση της Πληροφορίας Ενδιαφέροντος στον Τομέα της Κατηγοριοποίησης Εικόνων Ανάπτυξη Αλγορίθμων για την Εξαγωγή και Σύγκριση Χαρακτηριστικών Οφθαλμικής Κίνησης στο Πεδίο του Χώρου και του Χρόνου Δημιουργία Βάσης Δεδομένων με Καταγραφές Οφθαλμικής Κίνησης για Οπτικό Ερέθισμα Προσώπων

52 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 1. I. Rigas, G. Economou, and Sp. Fotopoulos, ‘Biometric identification based on the eye movements and graph matching techniques’, Pattern Recognition Letters (PRL), 33 (6), pp , (2012) (7 αναφορές) 2. I. Rigas, G. Economou, and Sp. Fotopoulos, ‘Low-Level Visual Saliency with Application on Aerial Imagery’, IEEE Geoscience and Remote Sensing Letters, no.99, pp. 1-5 (early access), (2013) 3. I. Rigas, G. Economou, and Sp. Fotopoulos, ‘Bio-inspired Visual Saliency based on Sparse Coding and the Hamming Distance’, Elsevier, Journal of Computer Vision and Image Understanding, (2013) (υπό κρίση)

53 Εργ. Ηλεκτρονικής - Τμ. Φυσικής Πάτρα - Σεπτέμβριος /42 1. I. Theodorakopoulos, I. Rigas, G. Economou, and S. Fotopoulos, ‘Face Recognition via Local Sparse Coding’, IEEE International Conference on Computer Vision (ICCV), pp , (2011) 2. I. Rigas, G. Economou, and Sp. Fotopoulos, ‘Human eye movements as a trait for biometrical identification’, IEEE International Conference on Biometrics: Theory, Applications and Systems (BTAS), pp , (2012) (1 αναφορά) 3. P. Kasprowski, and I. Rigas, ‘The influence of dataset quality on the results of behavioral experiments’, International Conference of the Biometrics Special Interest Group (BIOSIG), (2013) 4. I. Rigas, O. Komogortsev, ‘Biometric Identification via Fixation-generated Saliency Maps’, ACM Symposium on Eye Tracking Research and Applications ETRA 2014 (υπό κρίση)

54 MIS:346791, Φ.Κ.: D H παρούσα έρευνα έχει συγχρηματοδοτηθεί από την Ευρωπαϊκή Ένωση (Ευρωπαϊκό Κοινωνικό Ταμείο - ΕΚΤ) και από εθνικούς πόρους μέσω του Επιχειρησιακού Προγράμματος «Εκπαίδευση και Δια Βίου Μάθηση» του Εθνικού Στρατηγικού Πλαισίου Αναφοράς (ΕΣΠΑ) – Ερευνητικό Χρηματοδοτούμενο Έργο: Ηράκλειτος ΙΙ. Επένδυση στην κοινωνία της γνώσης μέσω του Ευρωπαϊκού Κοινωνικού Ταμείου. «Ανθρωποκεντρική Επεξεργασία και Ανάλυση Οπτικής Πληροφορίας» Σεπτέμβριος 2013

55

56


Κατέβασμα ppt "«Ανθρωποκεντρική Επεξεργασία και Ανάλυση Οπτικής Πληροφορίας» Ιωάννης Ρήγας Πτυχιούχος Τμ. Φυσικής, Παν. Πατρών M.Sc. Ηλεκτρονικής και Η/Υ, Τμ. Φυσικής,"

Παρόμοιες παρουσιάσεις


Διαφημίσεις Google