Wiederholte Mustererkennung mithilfe von CNN-Aktivierungen

Wir schlagen einen neuen Ansatz zur Erkennung wiederholter Muster auf einem Gitter in einem einzelnen Bild vor. Dazu erkennen wir Wiederholungen im Raum der vortrainierten tiefen CNN-Filterantworten auf allen Ebenen. Diese kodieren Merkmale auf verschiedenen konzeptionellen Ebenen (von niedrigem Niveau bis hin zu hochrangigen Semantiken) sowie Skalen (von lokal bis global). Infolgedessen ist unser Mustererkennungsdetektor robust gegenüber herausfordernden Fällen, in denen wiederholte Kacheln aufgrund von Okklusionen, Beleuchtung oder Hintergrundgeräuschen starke Variationen im visuellen Erscheinungsbild aufweisen. Unsere Methode unterscheidet sich von früheren Ansätzen, die auf der Extraktion, Beschreibung und dem Clustering von Schlüsselmerkmalen oder der Patch-Korrelation basieren. Diese erkennen in der Regel nur Cluster von Niedrig-Merkmalen, die Variationen im visuellen Erscheinungsbild der Muster nicht gut handhaben. Unsere Methode ist einfacher, integriert jedoch implizit hochrangige Merkmale. So können wir die Erkennung von Wiederholungen mit starken Erscheinungsvariationen demonstrieren, die auf einem nahezu regulären, achsen-aligierten Gitter organisiert sind. Die Ergebnisse zeigen Robustheit und Konsistenz in einer vielfältigen Datenbank von mehr als 150 Bildern.