doc. Ing. Tomáš Pajdla, Ph.D.

Geometrie kamer je důležitou oblastí počítačového vidění a robotiky, která poskytuje pochopení základů oboru. Tato oblast však zatím nebyla příliš ovlivněna nedávnými pokroky ve strojovém učení a zejména geometrickém strojovém učení. Naším cílem je použít strojového učení k řešení problémů v geometrii kamer, které nebyly vyřešeny tradičními technikami. Například současné metody pro výpočet geometrie kamery z obrazových korespondencí se mohou efektivně vypořádat pouze s relativně jednoduchými problémy, jako je geometrie dvou pohledů. Například neexistují žádné skutečně účinné výpočetní metody ani pro geometrii tří kalibrovaných kamer. Klasický přístup k návrhu takových metod vede v tomto případě k velmi komplikovaným výpočetním postupům kvůli snaze řešit exaktní algebraické problémy. Nedávné pokroky v numerické algebraické geometrii začínají poskytovat praktickou alternativu k přístupům založeným na eliminaci. Věříme, že tyto přístupy lze výrazně zlepšit z pohledu účinnosti a robustnosti učením se optimálním strategiím řešení, efektivní analýze problémů a přizpůsobení problému datům. Naším plánem je vyvinout nový přístup k řešení obtížných problémů v geometrii více kamer, který by využíval strojové učení a přizpůsoboval techniky řešení konkrétním datům.[MB] M. Bronstein et alt. “Geometric deep learning: going beyond Euclidean data”. IEEE Signal Processing Magazine, vol. 34, no. 4, pp. 18-42, 2017.

• [MB] M. Bronstein et alt. “Geometric deep learning: going beyond Euclidean data”. IEEE Signal Processing Magazine, vol. 34, no. 4, pp. 18-42, 2017.
• [NS] D. Nister and F. Schaffalitzky. “Four Points in Two or Three Calibrated Views: Theory and Practice”. International Journal of Computer Vision (IJCV), vol. 67, pp. 211-231, 2006.
• [Fal] R Fabbri et al. “TRPLP – Trifocal Relative Pose From Lines at Points”. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 12070-12080, 2020.
• [PLMPl] T Duff et al. “PLMP - Point-Line Minimal Problems in Complete Multi-View Visibility”. IEEE International Conference on Computer Vision (ICCV), pp. 1675-1684, 2019.
• [PL1P] T Duff et al. “PL1P - Point-line Minimal Problems under Partial Visibility in Three Views”. European Conference on Computer Vision (ECCV), pp. 175-192, 2020.
• [BGrob] V Larsson et al. "Beyond Grobner Bases: Basis Selection for Minimal Solvers". IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 3945-3954, 2018.
• [Pfeifer] D Peifer et al. “Learning selection strategies in Buchberger's algorithm”. International Conference on Machine Learning (ICML), pp. 7575-7585, 2020.
• [Bernal] E. Bernal et al. “Machine learning the real discriminant locus”. ArXiv preprint, June 2020.
• [DSAC] E Brachmann et al. "DSAC – Differentiable RANSAC for Camera Localization", CVPR 2017.
• [Ranftl] R Ranftl, V Koltun. Deep Fundamental Matrix Estimation. ECCV 2018.
• [Rolinek] M Vlastelica et al. DIFFERENTIATION OF BLACKBOX COMBINATORIAL SOLVERS. ICLR 2020.