Robustno vizualno učenje na podlagi podprostorov

Vizualno uèenje, tj. uèenje iz vizualnih podatkov, mora biti robusten in kontinuiran proces. Vsi razpoložljivi vizualni podatki namreè niso enako pomembni; v primeru prekrivanj in drugih nezaželenih motenj v vidnem polju so lahko nekateri celo zavajajoèi. Èloveški vizualni sistem obravnava vizualne podatke selektivno in zgradi uèinkovite predstavitve opazovanih predmetov in prizorov tudi v slabih pogojih. Te predstavitve lahko nato še posodablja z na novo pridobljenimi informacijami in jih tako prilagaja spremembam. V tem èlanku predstavljamo veè metod, ki uvedejo podobne principe tudi na podroèje strojnega vizualnega uèenja in razpoznavanja. Vizualno uèenje je realizirano z modeliranjem osnovanim na direktnem videzu predmetov in prizorov. Gradnja modelov temelji na metodi glavnih komponent (PCA), ki pa ima v svoji standardni izvedbi pomanjkljivosti, ki onemogoèajo uveljavitev prej omenjenih naèel. Za premostitev teh pomanjkljivosti smo predlagali veè razširitev standardne metode glavnih komponent, tj. metode za inkrementalno, uteženo in robustno uèenje. Predlagane metode smo tudi ovrednotili na razliènih slikovnih domenah. Iz rezultatov je razvidna uporabnost metod za vizualno uèenje in razpoznavanje v razliènih primerih.