Vai al contenuto| Home page|

   Ti trovi in: HOME »Programmi, progetti e risultati »I progetti »PRIN - Programmi di ricerca di Rilevante Interesse Nazionale»Programma di ricerca
INIZIO_TESTO_DA_INDICIZZARE

PROGRAMMA DI RICERCA 2006

italiano - english
Unità di Ricerca
Programmi di ricerca simili:
Classificazione scientifico-disciplinare
Classificazione brevettuale
  • PHYSICS
    • COMPUTING; CALCULATING; COUNTING (score computers for games A63; combinations of writing applicances with computing devices B43K29/08)
      • COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS [N0004]
      • IMAGE DATA PROCESSING OR GENERATION, IN GENERAL (specially adapted for particular applications, see the relevant subclasses, e.g. G06K, G09G, H04N) [N9408]
    • MUSICAL INSTRUMENTS; ACOUSTICS
      • SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION (measurement of sound waves in general G01H; frequency spectrum analysis of electric signals in general G01R23/16; sound input/output for computers G06F3/16; computing specially adapted for specific functions G06F17/00, G06G7/00; image data processing G06T; teaching or communicating with the blind, deaf or mute G09B; information storage, e.g. sound storage, G11; electronic circuits for sound generation H03B; electronic filters H03H; coding, decoding or code conversion, in general H03M; transmission of information, e.g. speech, H04B; telephonic communication H04M; microphone arrangements, hearing aids, public address systems H04R) [C9607]
Classificazione geografica
Bibliografia
[AKA91] D. Aha, D. Kibler, M. Albert. Instance-based learning algorithms. Mach. Learning 6:37-66 (1991).

[B97] H. Bunke. On a relation between graph edit distance and maximum common subgraph. Pattern Recognition Lett. 18:689-694 (1997).

[BB05] M. Basu, H. Bunke (Eds.) IEEE Trans. PAMI. Special issue on "Syntactic and structural pattern recognition", 27 (2005).

[BB76] H. G. Barrow, R. M. Burstall. Subgraph isomorphism, matching relational structures and maximal cliques. Inform. Process. Lett. 4:83-84 (1976).

[BC04] H. Bunke, T. Caelli (Eds.) Int. J. Pattern Recognition Artif. Intell. Special issue on "Graph matching in pattern recognition and machine vision" 18 (2004).

[BK88] K. L. Boyer, A. C. Kak. Structural stereopsis for 3-D vision. IEEE Trans. PAMI 10:144-166 (1988).

[BMPT06] M. Bicego, V. Murino, M. Pelillo, A. Torsello (Eds.). Pattern Recognition special issue on "Similarity based pattern recognition" (in press).

[BOP97] M. Brand, N. Oliver, S. Pentland. "Coupled hidden Markov models for complex action recognition". In Proc. IEEE Conf. on Computer Vision and Pattern Recognition, 994-99 (1997).

[BS98] H. Bunke, K. Shearer. A graph distance metric based on the maximal common subgraph. Pattern Recognition Lett. 19:255-259 (1998).

[CH67] Cover, T.M., Hart, P.E. Nearest neighbor pattern classification. IEEE Trans. Inf. Theory 13:21-27 (1967).

[CKP95] W. J. Christmas, J. Kittler, M. Petrou. Structural matching in computer vision using probabilistic relaxation. IEEE Trans. PAMI 17:749-764 (1995).

[DHS01] R. O. Duda, P. E. Hart, D. G. Stork. Pattern Classification. J. Wiley & Sons, New York, 2001.

[DPZ01] S. Dickinson, M. Pelillo, R. Zabih (Eds.). IEEE Trans. PAMI. Special issue on "Graph algorithms in computer vision" 23(10) (2001).

[E99] S. Edelman. Representation and Recognition in Vision. MIT Press, Cambridge, 1999.

[E86] M. A. Eshera, K. S. Fu. An image understanding system using attributed symbolic representation and inexact graph-matching. IEEE Trans. PAMI 8:604-618 (1986).

[F90] K. Fukunaga. Introduction to Statistical Pattern Recognition. Academic Press, New York, 1990.

[FB03] B. Fischer, J. M. Buhmann. Path-based clustering for grouping smooth curves and texture segmentation. IEEE Trans. PAMI 25:513-518 (2003).

[FST98] S. Fine, Y. Singer, N. Tishby. The hierarchical hidden Markov model: Analysis and applications. Machine Learning, 32:41-62 (1998).

[G99] R. L. Goldstone. Similarity. In R. A. Wilson, F. C. Keil (Eds.) MIT Encyclopedia of the Cognitive Sciences. MIT Press, Cambridge, MA, pp. 763-765 (1999).

[G+99] T. Graepel, R. Herbrich, P. Bollmann-Sdorra, K. Obermayer. Classification on pairwise proximitydata. In D. Cohn, M. Kearns, S. Solla (Eds.), Advances in NIPS 11:438-444 (1999).

[GR05] G. Giacinto, F. Roli. Instance-Based Relevance Feedback for Image Retrieval. In L.K. Saul, Y. Weiss, and Leon Bottou (Eds.) Advances in NIPS 17:489-496 (2005).

[HB97] T. Hofmann, J. Buhmann. Pairwise data clustering by deterministic annealing. IEEE Trans. PAMI 19:1-14, (1997).

[HH93] L. Herault, R. Horaud. Figure-ground discrimination: A combinatorial optimization approach. IEEE Trans. PAMI 15:899-914 (1993).

[HSSS] P.J. Green, N.L. Hjort, S. Richardson (Eds.). Highly Structured Stochastic Systems, vol. 27 of Oxford Statistical Science Series, OUP, Oxford, UK, 2003.

[JD88] A. K. Jain, R. C. Dubes. Algorithms for Clustering Data. Prentice Hall, Englewood Cliffs, NJ, 1988.

[JW00] D.W. Jacobs, D. Weinshall, Classification with nonmetric distances: image retrieval and class representation, IEEE Trans. PAMI 22:583-600 (2000).

[JZ97] A. K. Jain, D. Zongker, Representation and recognition of handwritten digits using deformable templates, IEEE Trans. PAMI 19:1386-1391 (1997)

[KSS03] J. Keuchel, C. Schnorr, C. Schellewald, D. Cremers. Binary partitioning, perceptual grouping, and restoration with semidefinite programming. IEEE Trans. PAMI 25:1364-1379 (2003).

[L96] S.L. Lauritzen. Graphical Models, Oxford Science Publications, 1996.

[P97] J. Pearl. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference, Morgan Kaufmann, 1997.

[PD01] E. Pekalska, R.P.W. Duin, Automatic pattern recognition by similarity representations, Electron. Lett. 37:159-160 (2001).

[PD02] E. Pekalska, R.P.W. Duin, Dissimilarity representations allow for building good classifiers, Pattern Recogn. Lett. 23:943-956 (2002).

[PPD02] E. Pekalska, P. Paclik, R.P.W. Duin, A generalized kernel approach to dissimilarity-based classification, JMLR 2:175-211 (2002).

[PF98] P. Perona, W. Freeman. A factorization approach to grouping. In Proc. ECCV'98, pp. 655-670. Springer, Berlin (1998).

[R89] L.R. Rabiner. A tutorial on hidden Markov models and selected applications in speech recognition. Proc. IEEE, 77:257-286 (1989).

[RY81] V. V. Raghavan and C. T. Yu. A comparison of the stability characteristics of some graph theoretic clustering methods. IEEE Trans. PAMI 3:393-402 (1981).

[SB98] S. Sarkar and K. L. Boyer. Quantitative measures of change based on feature organization: Eigenvalues and eigenvectors. CVIU 71:110-136 (1998).

[SH82] L. G. Shapiro and R. M. Haralick. Relational models for scene analysis. IEEE Trans. PAMI, 4:595-602 (1982).

[SM00] J. Shi and J. Malik. Normalized cuts and image segmentation. IEEE Trans. PAMI 22:888-905 (2000).

[T+06a] D. Tao, X. Tang, X. Li, and X. Wu. Asymmetric Bagging and Random Subspace for Support Vector Machines-based Relevance Feedback in Image Retrieval. IEEE Trans. PAMI, (to appear 2006).

[T+06b] D. Tao, X. Tang, X. Li, Y. Rui. Direct Kernel Biased Discriminant Analysis: A New Content-based Image Retrieval Relevance Feedback Algorithm. IEEE Trans. Multimedia, (to appear 2006).

[V98] V. Vapnik, Statistical Learning Theory, Wiley, NewYork, 1998.

[W+92] C. Wharton et al. The story with reminding: memory retrieval is influenced by analogical similarity. In Proc. 14th Annual Conf. of the Cognitive Science Society, Bloomington, IN, pp. 588-593 (1992).

[WH97] R. Wilson, E. R. Hancock. Structural matching by discrete relaxation. IEEE Trans. PAMI 19:634-648 (1997).

[WL93] Z .Wu and R. Leahy. An optimal graph theoretic approach to data clustering: Theory and its application to image segmentation. IEEE Trans. PAMI 15:1101-1113 (1993).

[WSKR01] W. D. Wallis, P. Shoubridge, M. Kraetz, and D. Ray. Graph distances using graph union. Pattern Recognition Lett., 22:701-704 (2001).

[WY85] A. K. C. Wong and M. You. Entropy and distance of random graphs with application to structural pattern recognition. IEEE Trans. PAMI 7:599-609 (1985).

[Z71] C. T. Zahn. Graph-theoretic methods for detecting and describing gestalt clusters. IEEE Trans. Comput. 20:68-86 (1971).

[ZH01] Zhou XS and Huang TS. Small sample learning during multimedia retrieval using BiasMap. IEEE Conf. Computer Vision and Pattern Recognition, 2001.

[ZH03] X. S. Zhou, T.S. Huang. Relevance Feedback in Image Retrieval: A Comprehensive Review. Multimedia Systems 8:536-544 (2003).

[ZSS92] K. Zhang, R. Statman, and D. Shasha. On the editing distance between unordered labeled trees. Inform. Process. Lett. 42:133-139 (1992).
Parole Chiave
RICONOSCIMENTO DELLE FORME, VISIONE ARTIFICIALE, SIMILARITA`, GRAFI E STRUTTURE RELAZIONALI, MODELLI GRAFICI PROBABILISTICI, MODELLI GENERATIVI E DISCRIMINATIVI, RILEVAMENTO E RICONOSCIMENTO DI VOLTI, RECUPERO DI IMMAGINI BASATO SUL CONTENUTO

Metodi basati sulla similarita' per la visione artificiale e il riconoscimento delle forme: Teoria, algoritmi, applicazioni

Università "Ca' Foscari" di Venezia
Abstract
Le tecniche tradizionali di riconoscimento automatico delle forme (pattern recognition) sono centrate attorno alla nozione di "feature". Secondo questa visione, gli oggetti da classificare sono rappresentati in termini di proprietà intrinseche all'oggetto stesso. Di conseguenza, un tipico sistema di pattern recognition prende le sue decisioni semplicemente considerando uno o più vettori di feature in ingresso. La forza di questo approccio sta nel fatto che può sfruttare un ampio spettro di strumenti matematici che vanno dalla statistica, alla geometria, all'ottimizzazione. In molte applicazioni pratiche, però, gli oggetti non sono naturalmente rappresentabili in termini di vettori di feature. Per esempio, le rappresentazioni basate su grafi (o strutture relazionali) non posseggono un ordine canonico o una corrispondenza tra vertici. D’altra parte, è spesso possibile ottenere una misura di (dis)similarità tra gli oggetti da classificare. È quindi importante essere in grado di progettare un sistema di pattern recognition che, diversamente dai sistemi tradizionali, accetti in input una matrice contenente le similarità tra gli oggetti e produca in uscita etichette di classe. Questo consente lo sviluppo di algoritmi indipendenti dalla reale rappresentazione dei dati e consente l'uso di dissimilarità non metriche. Inoltre, rende gli approcci applicabili a problemi che non hanno una naturale immersione in uno spazio di feature uniforme, come, per esempio >>>

Coordinatore Scientifico del Programma di Ricerca
Marcello Pelillo Università "Ca' Foscari" di VENEZIA
Obiettivo del Programma di Ricerca
La sfida del riconoscimento automatico delle forme (pattern recognition) sta nello sviluppare metodi computazionali che imparino a distinguere tra un certo numero di classi rappresentate da esempi. Le tecniche di pattern recognition classiche sono centrate attorno alla nozione di "feature" [DHS01]. Secondo questa visione, gli oggetti da classificare sono rappresentati in termini di proprietà intrinseche all'oggetto stesso. Di conseguenza, un tipico sistema di pattern recognition prende le sue decisioni semplicemente considerando uno o più vettori di feature di input. La forza di questo approccio sta nel fatto che può sfruttare un ampio spettro di strumenti matematici che vanno dalla statistica, alla geometria, all'ottimizzazione.

D'altra parte, in molte applicazioni pratiche è difficile ottenere una buona descrizione degli oggetti in termini di feature. Tipicamente, questo avviene quando è difficile definire le feature, quando i dati hanno una dimensione molto alta, quando le feature contengono quantità sia continue sia categoriali o, infine, quando gli oggetti da classificare sono rappresentati in termini di grafi o strutture relazionali. In questi casi, è spesso possibile ottenere una misura di (dis)similarità tra gli oggetti da classificare e, in alcune applicazioni quali il riconoscimento della figura [E99], l'uso delle (dis)similarità rende il problema più immediato. È quindi importante essere in grado di progettare un >>>

Durata
24 mesi
Base di partenza scientifica nazionale o internazionale
La classificazione basata sulla similarità è stato un tema ricorrente, ma sotto-studiato, per oltre 40 anni. Un approccio diretto alla classificazione supervisionata basata su rappresentazioni a dissimilarità è dato dalla regola "nearest neighbor" (NN) [CH67,F90] o, più in generale, dall'apprendimento basato su istanze [AKA91]. Questi classificatori dipendono solamente dall'ordine delle distanze ottenute. La regola NN, nella sua forma più semplice (1-NN) assegna un nuovo oggetto alla classe con il rappresentante più vicino. La regola k-NN basa la decisione su di un voto a maggioranze: un oggetto diventa membro della classe che occorre più di frequente tra i k rappresentanti più vicini.

La regola NN ha trovato applicazione in molti domini. Per esempio, Jain e Zongker [JZ97] la applicano al riconoscimento di cifre scritte a mano. Qui la misura di dissimilarità è ottenuta da dei template deformabili ed è usata una regola 1-NN per la classificazione finale dei pattern.

Anche se la regola NN si basa su decisioni locali, è comunque computazionalmente onerosa, visto che devono essere ricavate le dissimilarità con tutti gli esempi di training. Per superare questa limitazione, Pekalska e Duin [PD02] hanno recentemente proposto di addestrare i classificatori usando le dissimilarità con un insieme di prototipi chiamato l'insieme rappresentante. Graepel et al. [G+99] hanno investigato il problema della classificazione basata su >>>