Optimaalisempia paikallisia binäärikuvioita tekstuurien ja kasvokuvien piirteenirrotukseen
Väitöstilaisuuden tiedot
Väitöstilaisuuden päivämäärä ja aika
Väitöstilaisuuden paikka
Linnanmaa, Keckmaninsali (HU 106)
Väitöksen aihe
Optimaalisempia paikallisia binäärikuvioita tekstuurien ja kasvokuvien piirteenirrotukseen
Väittelijä
Diplomi-insinööri Juha Ylioinas
Tiedekunta ja yksikkö
Oulun yliopiston tutkijakoulu, Tieto- ja sähkötekniikan tiedekunta, Konenäön ja signaalianalyysin tutkimuskeskus
Oppiaine
Tietotekniikka
Vastaväittäjä
Professori Erkki Oja, Aalto-yliopisto
Toinen vastaväittäjä
Professori Jussi Parkkinen, Itä-Suomen yliopisto
Kustos
Professori Matti Pietikäinen, Oulun yliopisto
Uusia oppimiseen perustuvia LBP-johdannaisia tekstuurien ja kasvokuvien piirteenirrotukseen
Väitöstyössä on kehitetty tekstuuripohjaisia menetelmiä kuville suoritettavaan piirteenirrotukseen. Kehitettyjä menetelmiä sovellettiin sellaisiin tietokonenäön ongelmiin, kuten tekstuurien luokittelu ja kasvojentunnistus. Työ on jatkumoa Oulun yliopiston konenäön tutkimuskeskuksessa 2000-luvun taitteessa syntyneelle ”Local Binary Patterns, LBP” -piirteenirrotusmenetelmän tutkimukselle.
Väitöstyössä esitellään eri tapoja parantaa LBP-menetelmän erottelukykyä piirteenlaskennassa. Työssä esitellään kaksi yleistävää mallia, joiden avulla LBP-menetelmän eri askelia voidaan ymmärtää paremmin.
Väitöstyön tulokset osoittavat, että LBP-menetelmän suorituskykyä on mahdollista parantaa tutkituissa sovelluksissa koneoppimisen ja tilastotieteen eri tekniikoita hyödyntäen. Kyseinen havainto on linjassa tietokonenäön tutkimuskentällä esiteltyjen muiden tutkimustulosten rinnalla. Näiden tutkimustulosten mukaan erottelukykyisimmät piirteenirrotusmenetelmät perustuvat automaattiseen oppimiseen sovelluksesta saatavilla olevasta tiedosta.
Väitöstyössä esitellään eri tapoja parantaa LBP-menetelmän erottelukykyä piirteenlaskennassa. Työssä esitellään kaksi yleistävää mallia, joiden avulla LBP-menetelmän eri askelia voidaan ymmärtää paremmin.
Väitöstyön tulokset osoittavat, että LBP-menetelmän suorituskykyä on mahdollista parantaa tutkituissa sovelluksissa koneoppimisen ja tilastotieteen eri tekniikoita hyödyntäen. Kyseinen havainto on linjassa tietokonenäön tutkimuskentällä esiteltyjen muiden tutkimustulosten rinnalla. Näiden tutkimustulosten mukaan erottelukykyisimmät piirteenirrotusmenetelmät perustuvat automaattiseen oppimiseen sovelluksesta saatavilla olevasta tiedosta.
Viimeksi päivitetty: 23.1.2024