Adaptive Top-Down Vorlagen zur Steuerung Künstlicher Aufmerksamkeit
C. Born
Um für die maschinelle Wahrnehmung wichtige Bereiche in Bildern zu finden, werden diese durch künstliche Aufmerksamkeitssysteme analysiert. Diese sind an biologischer visueller Aufmerksamkeit orientiert und berechnen die Salienz eines Bildelementes, die Auffälligkeit eines Bildelements im Vergleich zu seinen Nachbarn. Im GET Lab an der Universität Paderborn wird ein Ansatz verwendet, der auf einer Segmentierung des Eingabebildes basiert. Die entstehende Regionsliste wird dann verwendet um die
Salienz für jede Region zu berechnen. Dafür können sowohl Bottom-Up-Verfahren (datengetrieben) als auch Top-Down-Verfahren (Einfluss von Wissen) verwendet werden. In der aktuellen Umsetzung ist der Top-Down-Mechanismus darauf beschränkt, eine Vorgabe-Region (Template) zu berücksichtigen. In dieser Bachelorarbeit wird die aktuelle Implementierung um die Unterstützung multiregionaler Templates sowie das Fokussieren von Bildelementen erweitert um komplexeres Verhalten mit Top-Down-Aufmerksamkeit zu unterstützen. Die "SICK robot day" Aufgabe dient dabei als Beispielszenario, das multiregionale Templates erfordert. Dort müssen bestimmte Bälle in Tore befördert werden. Wobei die Bälle einfache Objekte darstellen, sind die Tore komplexer und erfordern multiregionale Templates und der Fokus muss auf diesen komplexen Zielen gehalten werden. Die Implementierung wird mithilfe des Meta-Betriebsystems ROS (Robot Operating Sytem) umgesetzt und mit der Simulationsumgebung SIMORE getestet.