Detailansicht
Density based subspace-clustering for object tracking
Maximilian Bierl
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Informatik
Betreuer*in
Claudia Plant
Mitbetreuer*in
Anna Beer
DOI
10.25365/thesis.79758
URN
urn:nbn:at:at-ubw:1-20538.00684.148736-4
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
In dieser Arbeit wird untersucht, wie sich die Wasserstein-Distanz für Verfahren zur automatischen Gruppierung, zeitlichen Anordnung und Bewegungsanalyse in ungeordneten Bildsequenzen einsetzen lässt. Dabei wird ihre Integration in dichte- und verbindungsbasierte Clustering-Methoden betrachtet und die Leistung unter verschiedenen Vorverarbeitungsstrategien, Farbräumen und Fusionsansätzen bewertet. Darüber hinaus wird eine vollständige Verarbeitungspipeline entwickelt, die Clustering, temporale Sortierung und die Extraktion von Bewegungsinformationen auf Basis optimaler Transportpläne kombiniert. Das vorgeschlagene Framework wird anhand von synthetischen und realen Datensätzen evaluiert, um seine Stärken und Grenzen unter unterschiedlichen Bedingungen aufzuzeigen. Die Ergebnisse zeigen, dass wassersteinbasierte Ansätze in der Lage sind, Szenenstrukturen und Objektbewegungen auch ohne manuelle Annotationen oder semantische Informationen zuverlässig zu erkennen. Die erzielte Leistung hängt jedoch stark von den Eigenschaften der Daten sowie den gewählten Parameterkonfigurationen ab.
Abstract
(Englisch)
This work explores how Wasserstein distance can be effectively used for unsupervised clustering, sequencing, and motion analysis in unordered image sequences. We investigate the integration of Wasserstein distance into density-connectivity-based clustering and assess its performance across different preprocessing strategies, color spaces, and fusion techniques. A full pipeline is proposed that combines clustering with temporal ordering and motion extraction based on optimal transport plans. We evaluate the framework on synthetic and real-world datasets, analyzing its strengths and limitations in varying conditions. Results indicate that Wasserstein-based approaches can uncover scene structure and object movement without relying on supervision or semantic features, though performance depends heavily on data characteristics and parameter choices.
Schlagwörter
Schlagwörter
(Deutsch)
Wasserstein Wasserstein-Distanz Dichtebasiertes Clustering dichte-verbunden Objekterkennung Subspace Clustering Objektnachverfolgung Transportplan Szenenstruktur Bewegungsanalyse Clustering von Bilddaten
Schlagwörter
(Englisch)
Wasserstein distance wasserstein Density-based clustering DC distance density connectivity Subspace clustering Object detection Object tracking Image sequences Transport plans Image data clustering Scene structure Optimal transport
Autor*innen
Maximilian Bierl
Haupttitel (Englisch)
Density based subspace-clustering for object tracking
Publikationsjahr
2025
Umfangsangabe
xiv, 78 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Claudia Plant
Klassifikationen
54 Informatik > 54.74 Maschinelles Sehen ,
54 Informatik > 54.80 Angewandte Informatik
AC Nummer
AC17722900
Utheses ID
78235
Studienkennzahl
UA | 066 | 921 | |