Learning a Knowledge Base of Ontological Concepts for High-Level Scene Interpretation
Hartz, Johannes ; Neumann, Bernd
| URN | urn:nbn:de:gbv:18-228-7-939 |
|---|---|
| URL | http://edoc.sub.uni-hamburg.de/informatik/volltexte/2009/93/ |
| Dokumentart: | Report (Bericht) |
| Schriftenreihe: | Berichte des Fachbereichs Informatik der Universität Hamburg |
| Bandnummer: | 277 |
| Sprache: | Deutsch |
| Erstellungsjahr: | 2007 |
| Publikationsdatum: | 03.11.2009 |
| SWD-Schlagwörter: | Ontologie <Wissensverarbeitung> |
| Freie Schlagwörter (Englisch): | Ontology |
| DDC-Sachgruppe: | Informatik |
| BK - Klassifikation: | 54.72 |
Kurzfassung auf Englisch:
Ontological concept descriptions of scene objects and aggregates play an essential role in model-based scene interpretation. An aggregate specifies a set of objects with certain properties and relations which together constitute a meaningful scene entity. In this paper we show how ontological concept descriptions for spatially related objects and aggregates can be learnt from positive and negative examples. Our approach, based on Version Space Learning introduced by Mitchell ([1]), features a rich representation language encompassing quantitative and qualitative attributes and relations. Using examples from the buildings domain, we show that aggregate concepts for window arrays, balconies and other structures can in fact be learnt from annotated images and successfully employed in the conceptual knowledge base of a scene interpretation system. Furthermore we argue that our approach can be extended to cover ontological concepts of any kind, with very few restrictions.
Kurzfassung auf Deutsch:
Ontologische Konzeptbeschreibungen von Aggregaten spielen eine wesentliche Rolle bei modellbasierter Szeneninterpretation. Ein Aggregat spezifiziert eine Objektmenge mit bestimmten Eigenschaften und Beziehungen, die zusammengenommen ein bedeutungstragender Bestandteil einer Szene sind. In diesem Bericht zeigen wir, wie Aggregatkonzepte von Objekten mit räumlichen Beziehungen von positiven und negativen Beispielen erlernt werden können. Unser Ansatz basiert auf dem von Mitchell ([1]) eingeführten Version Space Learning und zeichnet sich durch eine ausdrucksstarke Repräasentationssprache mit quantitativen sowie qualitativen Attributen und Relationen aus. Anhand von Beispielen aus der Geb¨audedom¨ane zeigen wir, dass Aggregatkonzepte für Fensterreihen, Balkons und andere Strukturen in der Tat anhand von annotierten Bildern gelernt und erfolgreich in der konzeptuellen Wissensbasis eines Szeneninterpretationssystems eingesetzt werden können. Darüber hinaus legen wir dar, dass unser Ansatz verwendet werden kann um ontologische Konzepte jeder Art zu lernen, mit sehr wenigen Einschräankungen.
Hinweis zum Urherberrecht
Für Dokumente, die in elektronischer Form über Datenenetze angeboten werden, gilt uneingeschränkt das Urheberrechtsgesetz (UrhG). Insbesondere gilt:
Einzelne Vervielfältigungen, z.B. Kopien und Ausdrucke, dürfen nur zum privaten und sonstigen eigenen Gebrauch angefertigt werden (Paragraph 53 Urheberrecht). Die Herstellung und Verbreitung von weiteren Reproduktionen ist nur mit ausdrücklicher Genehmigung des Urhebers gestattet.
Der Benutzer ist für die Einhaltung der Rechtsvorschriften selbst verantwortlich und kann bei Mißbrauch haftbar gemacht werden.