Wissensbasierte Szenenexploration auf der Basis erlernter Analysestrategien

In dieser Arbeit wird gezeigt, wie das Problem der visuellen Szenenexploration mit Hilfe eines wissensbasierten Systems gelöst werden kann. Während der Szenenexploration sucht das System in einer statischen Szene nach einer festen Anzahl von a-priori bekannten Objekten. Wenn mit der anfangs gewählten Kameraeinstellung nicht alle gesuchten Objekte sichtbar sind, werden die Kameraparameter angepasst und die Kameraachsen entsprechend bewegt. Das Wissen über diese so genannten Kameraaktionen und über die Objekte wird einheitlich mit Hilfe eines semantischen Netzes repräsentiert. Während einer Szenenexploration wird dieses Wissen von einer Kontrolle zum Finden einer optimalen Zuordnung zwischen Objekten und in Bildern visualisierten Teilen der Szene genutzt. Die Kontrolle setzt hierzu eine geeignete Analysestrategie ein, die vom System mit Hilfe von Reinforcement Learning Methoden basierend auf einer vorgegebenen Optimierungsfunktion erlernt wird. Der Ansatz zur Integration von Kameraaktionen und von Reinforcement Learning Methoden in den Formalismus zur Wissensrepräsentation wird in verschiedenen Büroumgebungen evaluiert.