DE60318471T2 - Extraktion von wissen mittels eines objektbasierten semantischen netzes - Google Patents
Extraktion von wissen mittels eines objektbasierten semantischen netzes Download PDFInfo
- Publication number
- DE60318471T2 DE60318471T2 DE60318471T DE60318471T DE60318471T2 DE 60318471 T2 DE60318471 T2 DE 60318471T2 DE 60318471 T DE60318471 T DE 60318471T DE 60318471 T DE60318471 T DE 60318471T DE 60318471 T2 DE60318471 T2 DE 60318471T2
- Authority
- DE
- Germany
- Prior art keywords
- data
- processing
- domain
- objects
- class
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/248—Aligning, centring, orientation detection or correction of the image by interactive preprocessing or interactive shape modelling, e.g. feature points assigned by a user
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/99941—Database schema or data structure
- Y10S707/99943—Generating database or data structure, e.g. via user interface
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/99941—Database schema or data structure
- Y10S707/99944—Object-oriented database structure
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/99941—Database schema or data structure
- Y10S707/99944—Object-oriented database structure
- Y10S707/99945—Object-oriented database structure processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/99941—Database schema or data structure
- Y10S707/99944—Object-oriented database structure
- Y10S707/99946—Object-oriented database structure network
Description
- TECHNISCHES GEBIET
- Die vorliegende Erfindung betrifft allgemein ein computerimplementiertes Verfahren und ein computerimplementiertes System zum Extrahieren einer Information aus Eingabedaten und genauer gesagt derartige Verfahren, die semantische Wissensnetze verwenden.
- HINTERGRUND
- Es sind semantische Netze bekannt, welche Formalismen für eine Wissensrepräsentation auf dem Gebiet von künstlicher Intelligenz sind. Ein semantisches Netz besteht aus semantischen Einheiten und Verknüpfungsobjekten. Die Verknüpfungsobjekte verknüpfen jeweilige semantische Einheiten und definieren den Typ der Verknüpfung zwischen den jeweiligen semantischen Einheiten. Jedoch ist es nicht möglich, das Wissen, welches in den semantischen Einheiten und den Verknüpfungsobjekten des semantischen Netzes vorhanden ist, zu erweitern, zu löschen oder zu ändern. Die
DE 199 08 204 A beschreibt ein fraktales hierarchisches Netz, das eine Mehrzahl von semantischen Einheiten aufweist, wodurch semantisch strukturierte Information analysiert und behandelt werden kann. - Aus der
WO 01/45033 A - Gemäß der zuvor erwähnten Druckschrift gibt es einen neuen Lösungsweg für eine objektorientierte Datenanalyse und insbesondere die Bildanalyse. Der Hauptunterschied dieses Verfahrens ist, dass verglichen mit einer pixelorientierten Bildanalyse eine Klassifikation von Objektprimitiven durchgeführt wird. Diese Objektprimitive werden während einer Segmentierung des Bilds erzeugt. Aus diesem Grund kann eine sogenannte Multi-Resolution-Segmentierung durchgeführt werden. Die Multi-Resolution-Segmentierung lässt ein Segmentieren eines Bilds in ein Netz eines homogenen Bildbereichs in jeder Auflösung zu, die von einem Nutzer ausgewählt wird. Die Objektprimitive stellen eine Bildinformation in einer abstrakten Form dar.
- Als klassifizierte Informationsträger innerhalb eines Bildobjektnetzes bieten derartige Objektprimitive und ebenso andere Bildobjekte, die aus derartigen Objektprimitiven abgeleitet werden, mehrere Vorteile verglichen mit einem klassifizierten Bildelement.
- Im Allgemeinen weist das semantische Netz zwei wesentliche Komponenten auf. Die erste ist ein Datenobjektnetz, wie zum Beispiel ein Bildobjektnetz, und die zweite ist ein Klassenobjektnetz. Neben der Multi-Resolution-Segmentierung gibt es ebenso die Möglichkeit eines Durchführens einer sogenannten klassifikationsbasierten Segmentierung.
- Wie es zuvor erwähnt worden ist, können die Verarbeitungsobjekte mit Klassenobjekten verknüpft sein und deshalb kann Wissen, welches in dem semantischen Netz vorhanden ist, unter Verwendung der Verarbeitungsobjekte erweitert, gelöscht oder geändert werden.
- Jedoch gibt es mehrere Probleme. Die Verarbeitungsobjekte führen eine lokale adaptive Verarbeitung in dem semantischen Netz durch. Die wichtigen Aspekte einer lokalen adaptiven Verarbeitung sind ein Analysieren und Ändern von Objekten, aber ebenso ein Navigieren durch das semantische Netz gemäß den Verknüpfungsobjekten. Jedoch ist der Aspekt eines Navigierens nicht durch das zuvor erwähnte Verfahren abgedeckt.
- KURZFASSUNG
- In einem Ausführungsbeispiel extrahiert ein Verfahren eine Information aus Eingabedaten durch Abbilden der Eingabedaten in ein Datenobjektnetz. Die Eingabedaten sind durch semantische Einheiten dargestellt. Das Verfahren verwendet ein semantisches Wissensnetz, das aus dem Datenobjektnetz, einem Klassenobjektnetz und einem Verarbeitungsobjektnetz besteht. Das semantische Wissensnetz verwendet einen Satz von Algorithmen, um die semantischen Einheiten zu verarbeiten. Das semantische Wissensnetz definiert ein Verarbeitungsobjekt in dem Verarbeitungsobjektnetz durch Auswählen einer Datendomäne in dem Datenobjektnetz, einer Klassendomäne in dem Klassenobjektnetz und eines Algorithmus aus dem Satz von Algorithmen. Das Verarbeitungsobjekt weist die Datendomäne, die Klassendomäne und den Algorithmus auf. Das Verarbeitungsobjekt wird in dem Verarbeitungsobjektnetz verwendet, um die semantischen Einheiten zu verarbeiten.
- In einem weiteren Ausführungsbeispiel extrahiert ein System eine Information aus Eingabedaten unter Verwendung eines semantischen Wissensnetzes.
- Andere Ausführungsbeispiele und Vorteile sind in der nachstehenden detaillierten Beschreibung beschrieben. Diese Kurzfassung gibt nicht vor, die Erfindung zu definieren. Die Erfindung ist durch die Ansprüche definiert.
- KURZE BESCHREIBUNG DER ZEICHNUNG
- Die beiliegende Zeichnung, in der gleiche Bezugszeichen gleiche Komponenten bezeichnen, stellt Ausführungsbeispiele der Erfindung dar.
-
1 ist eine schematische Darstellung eines Systems zum Extrahieren einer Information aus Eingabedaten. -
2 ist eine Darstellung einer Struktur von Domänen und Verarbeitungsobjekten, die von dem System von1 verwendet werden. -
3 ist eine Bildschirmaufnahme bzw. ein Screenshot einer grafischen Benutzeroberfläche von Datenobjekten, Klassenobjekten und Algorithmusobjekten, die von dem System von1 verwendet werden. -
4 ist eine Bildschirmaufnahme eines einzelnen Verarbeitungsobjekts. -
5 ist eine Bildschirmaufnahme, die ein einzelnes Verarbeitungsobjekt mit einer Auswahlliste von verfügbaren Datenobjektdomänen darstellt. -
6 ist eine Bildschirmaufnahme eines einzelnen Verarbeitungsobjekts mit einer Auswahlliste eines verfügbaren Satzes von Algorithmen. -
7 ist eine Bildschirmaufnahme eines Parameterdialogs für einen besonderen Algorithmus, der von einem einzelnen Verarbeitungsobjekt verwendet wird. -
8 ist eine Darstellung einer klassifikationsbasierten Objektevolution, die in einem Dreiecksverfahren durchgeführt wird. - DETAILLIERTE BESCHREIBUNG
- Es wird nun im Detail Bezug auf einige Ausführungsbeispiele der Erfindung genommen, von denen Beispiele in der beiliegenden Zeichnung dargestellt sind.
- Sowohl ein computerimplementiertes Verfahren als auch ein computerimplementiertes System zum Extrahieren einer Information aus Eingabedaten sind offenbart. Das System kann sowohl auf einem einzelnen Computer als auch auf einem verteilten Netz von Computern, wie zum Beispiel einem lokalen Netz (LAN) oder einem Weitbereichsnetz (WAN) realisiert sein. Die Bestandteile eines semantischen Wissensnetzes, das ebenso einfach als ein semantisches Netz bezeichnet wird, können in sowohl einer zentralisierten als auch einer dezentralisierten Form eines WAN realisiert sein. Da die Struktur von verteilten Netzen von Computern, auf welchen das System realisiert ist, im Stand der Technik bekannt ist, wird hier eine detaillierte Beschreibung von derartigen verteilten Netzen von Computern weggelassen.
- In dem nachstehend beschriebenen beispielhaften Ausführungsbeispiel ist ein System beschrieben, das Bilddaten verarbeitet. In anderen Ausführungsbeispielen werden jedoch andere Typen von Daten verarbeitet. Zum Beispiel verarbeiten andere Ausführungsbeispiele Datenstrukturen, die in einem topologischen Kontext vorgesehen sind. Weiterhin können noch andere Ausführungsbeispiele Datenstrukturen in der Form von Audiodaten, Textdaten oder statistisch erfassten Daten (Data-Mining) verarbeiten.
-
1 ist eine schematische Darstellung einer Struktur eines semantischen Wissensnetzes gemäß einem Ausführungsbeispiel der vorliegenden Erfindung. Das semantische Wissensnetz weist vier getrennte Unternetze auf: Ein Verarbeitungsnetz1 , ein Datenobjektnetz4 , ein Klassenobjektnetz7 und einen Satz von Algorithmen10 . Alle Objekte, die in diesem semantischen Wissensnetz enthalten sind, sind semantische Einheiten. - Das Verarbeitungsobjektnetz
1 wiest eine Mehrzahl von Verarbeitungseinheiten2 auf. Das Datenobjektnetz4 weist eine Mehrzahl von Datenobjekten5 auf. Eine vorbestimmte Datendomäne6 wird aus der Mehrzahl von Datenobjekten5 abhängig von der gegebenen Situation ausgewählt, wie es nachstehend beschrieben wird. Das Klassenobjektnetz7 weist eine Mehrzahl von Klassenobjekten8 auf. Eine vorbestimmte Klassendomäne9 wird aus der Mehrzahl von Klassenobjekten8 abhängig von der gegebenen Situation ausgewählt, wie es später beschrieben wird. Der Satz von Algorithmen10 weist eine Mehrzahl von Algorithmen11 auf. Ein vorbestimmter Algorithmus11 wird aus dem Satz von Algorithmen10 abhängig von der gegebenen Situation ausgewählt, wie es nachstehend beschrieben wird. -
2 zeigt eine schematische Darstellung einer Struktur von Domänen und Verarbeitungsobjekten2 . Jedes der Verarbeitungsobjekte2 weist eine Datendomäne6 , eine Klassendomäne9 und einen Algorithmus11 auf. Die verschiedenen Verarbeitungsobjekte2 sind über Verknüpfungsobjekte3 verbunden und bilden zusammen ein Verarbeitungsnetz. Die Vernetzung der Verarbeitungsobjekte2 über Verknüpfungsobjekte3 definiert eine Ablaufsteuerung. Die Ablaufsteuerung ist eine Flusssteuerung zum Ausführen von verschiedenen Verarbeitungsobjekten2 . Die Ablaufsteuerung definiert, welches Verarbeitungsobjekt2 als Nächstes ausgeführt wird, nachdem das Ausführen eines vorhergehenden Verarbeitungsobjekts2 beendet ist. - Ein Verarbeitungsobjekt
2 ist ein Objekt, um eine Analyseoperation, wie zum Beispiel eine Bildanalyseoperation, in einem gegebenen Projekt durchzuführen. Wie es in2 gezeigt ist, weist jedes Verarbeitungsobjekt2 einen Algorithmus11 , eine Datendomäne6 und eine Klassendomäne9 auf. Der Algorithmus11 definiert, welche Operation durchgeführt werden soll. Die Datendomäne6 definiert, wo die Operation durchgeführt wird und welches Datenobjekt oder welche Datenobjekte von dem Algorithmus11 verarbeitet wird bzw. werden. Die Klassendomäne definiert, unter welchem Kriterium oder unter welchen Kriterien die Operation durchgeführt wird und welche Klasse oder welche Klassen verwendet werden sollen. - Aufgrund der unterschiedlichen Domänen und Algorithmen, die abhängig von der gegebenen Anwendung ausgewählt werden können, können Verarbeitungsobjekte
2 selektiv auf vorbestimmte Datenobjekte5 und auf vorbestimmte Klassenobjekte8 unter Verwendung eines vorbestimmten Algorithmus11 wirken. Zum Beispiel wird ein vorbestimmter Segmentierungsalgorithmus lediglich an Unterdatenobjekten eines ausgewählten Datenobjektes5 in dem Datenobjektnetz4 angewendet. -
3 zeigt eine Bildschirmaufnahme einer grafischen Benutzeroberfläche von Datenobjekten5 , Klassenobjekten8 und Algorithmen11 . Ein Nutzer kann Datenobjekte5 , Klassenobjekte8 , Algorithmen11 und andere Einstellungen auswählen, um eine erwünschte Anwendung zu realisieren. Eingabedaten in der Form eines Bilds erscheinen in dem oberen linken Fenster der grafischen Benutzeroberfläche in3 . In dem gleichen oberen linken Fenster wird das Datenobjektnetz4 , das Datenobjekte5 aufweist, als eine Überlagerung angezeigt. Einzelne Datenobjekte5 können mit einer Eingabevorrichtung ausgewählt und hervorgehoben werden. Merkmalsdaten eines ausgewählten Datenobjekts5 werden in dem Fenster angezeigt, das mit "Image Object Information" bezeichnet ist. - Eine Information, die sich auf das Verarbeitungsobjektnetz
1 bezieht, erscheint in dem Fenster mit der Registerkarte, die mit "Process" bezeichnet ist. Eine derartige Information beinhaltet Verarbeitungsobjekte2 und betreffende Verknüpfungsobjekte, die die Ablaufsteuerung darstellen. Eine Information, die das Klassenobjektnetz7 betrifft, erscheint in dem Fenster, das mit "Class Hierarchy" bezeichnet ist. Eine derartige Information beinhaltet die Klassenobjekte8 und betreffende Verknüpfungsobjekte, die eine semantische Gruppierung der Klassenobjekte8 darstellen. -
4 ist eine Bildschirmaufnahme, die ein einzelnes Verarbeitungsobjekt2 darstellt. Das Dialogelement, das mit "Algorithm" bezeichnet ist, enthält den ausgewählten Algorithmus1 aus dem Satz von Algorithmen10 . Ein Algorithmus kann von dem Nutzer aus einer Auswahlliste ausgewählt werden, die durch eine Pfeil-Schaltfläche gezeigt ist. Das Dialogelement, das mit "Domain" bezeichnet ist, enthält die Beschreibung der Datendomäne6 für ein einzelnes Verarbeitungsobjekt2 . Der Nutzer kann eine Pfeil-Schaltfläche anklicken, um eine Datendomäne aus einer Auswahlliste auszuwählen. Datendomänen6 werden durch einen strukturellen Untersatz des Datenobjektnetzes4 als ein Art zusätzliche Klassifikationsbedingung, die mit "dark1" bezeichnet ist, und durch eine zusätzliche Randbedingung, die mit "Elliptic Fit > = 0.8" bezeichnet ist, beschrieben. - Ein Dialogelement, das mit "Loops & Cycles" bezeichnet ist, kann verwendet werden, um das jeweilige Verarbeitungsobjekt
2 eine bestimmte Anzahl von Malen oder, bis ein stabiler Zustand erreicht ist, zu wiederholen. Die große Auswahlliste auf der rechten Seite zeigt alle Klassenobjekte8 des Klassenobjektnetzes7 . Der Nutzer wählt Klassenobjekte8 aus, um die Klassendomäne9 zu bestimmen. -
5 ist ein einzelnes Verarbeitungsobjekt mit einer Auswahlliste von verfügbaren Datenobjektdomänen6 . In dem Dialogelement, das mit "Domain" bezeichnet ist, gibt es eine Auswahlliste von verfügbaren Datenobjektdomänen6 , aus welchen der Nutzer auswählen kann. Die Datendomäne6 , die mit "just execute" bezeichnet ist, führt alle verknüpften Unterverarbeitungsobjekte vorzugsweise seriell aus. Ein paralleles Ausführen kann jedoch ebenso realisiert sein. Die Datendomäne6 , die mit "image object level 2" bezeichnet ist, adressiert alle Datenobjekte5 auf einer bestimmten hierarchischen Ebene von Datenobjekten5 . Die Datendomäne6 , die mit "neighbor objects (0)" bezeichnet ist, adressiert alle Datenobjekte5 , die zu dem Datenobjekt5 benachbart sind, welche von einem übergeordneten Verarbeitungsobjekt verarbeitet worden sind. Das Datenobjekt6 , das mit "sub object (1)" bezeichnet ist, adressiert alle Datenobjekte5 , die Unterdatenobjekte zu den Datenobjekten5 sind, welches von einem übergeordneten Verarbeitungsobjekt verarbeitet worden ist. Das Datenobjekt6 , das mit "super object (1)" bezeichnet ist, adressiert ein Datenobjekt5 , das ein übergeordnetes Datenobjekt zu dem Datenobjekt5 ist, welches von einem übergeordneten Verarbeitungsobjekt verarbeitet worden ist. Wie es in5 gezeigt ist, sind zusätzliche Datendomänen6 vorhanden und können von dem Nutzer definiert werden. - Weiterhin gibt es ebenso die Möglichkeit, unter Verwendung von unterschiedlichen Datendomänen
6 in verknüpften Verarbeitungsobjekten2 durch das Datenobjektnetz4 zu navigieren. Zum Beispiel wird zuerst die Datendomäne6 , die mit "image object level 2" bezeichnet ist, ausgewählt, um alle Datenobjekte5 auf einer bestimmten hierarchischen Ebene der Datenobjekte5 zu adressieren. Als Zweites wird die Datendomäne6 , die mit "sub object (1)" bezeichnet ist, ausgewählt, um alle Datenobjekte5 auszuwählen, die Unterdatenobjekte zu einem Datenobjekt5 sind, das zuvor adressiert und von einem übergeordneten Verarbeitungsobjekt verarbeitet worden ist. Als drittes wird die Datendomäne6 , die mit "neighbor object (0)" bezeichnet ist, ausgewählt, um alle Datenobjekte5 zu adressieren, die zu dem Datenobjekt5 benachbart sind, das zuvor adressiert und von einem übergeordneten Verarbeitungsobjekt verarbeitet worden ist. -
6 zeigt ein einzelnes Verarbeitungsobjekt mit einer Auswahlliste eines verfügbaren Satzes von Algorithmen10 . Eine Auswahlliste von verfügbaren Sätzen von Algorithmen10 , aus welcher der Nutzer auswählen kann, ist in dem Dialogelement gezeigt, das mit "Algorithm" bezeichnet ist. Zum Beispiel verarbeitet der Algorithmus11 , der mit "do nothing" bezeichnet ist, nicht das Datenobjekt5 des Verarbeitungsobjekts2 selbst, sondern leitet vielmehr das Datenobjekt5 zu seinen Unterverarbeitungsobjekten zur weiteren Verarbeitung. Der Algorithmus, der mit "classification" bezeichnet ist, klassifiziert alle Datenobjekte5 in der gegebenen Datendomäne6 mit den Klassenobjekten8 in der gegebenen Klassendomäne9 . Der Algorithmus, der mit "multiresolution segmentation" bezeichnet ist, erzeugt ein Anfangsdatenobjekt auf der Grundlage der Eingabedaten durch Optimieren einer bestimmten Form und eines Farbkriteriums. Der Algorithmus, der mit "update attribute values" bezeichnet ist, aktualisiert Attributwerte, die mit irgendeinem anderen Objekt in dem gesamten semantischen Wissensnetz verknüpft sein können. Der Algorithmus, der mit "create classes" bezeichnet ist, erzeugt neue Klassenobjekte2 in dem Klassenobjektnetz7 gemäß einem bestimmten Kriterium. Wie es in6 gezeigt ist, sind zusätzliche Algorithmen vorhanden und können von dem Nutzer definiert werden. -
7 zeigt einen Parameterdialog für einen bestimmten Algorithmus, der von einem einzelnen Verarbeitungsobjekt verwendet wird. Der gezeigte Parameterdialog dient für einen Algorithmus11 , der mit "image object fusion" bezeichnet ist, der in6 gezeigt ist. Der Algorithmus11 , der mit "image object fusion" bezeichnet ist, fusioniert zwei Datenobjekte5 , die gemäß einem bestimmten Kriterium zueinander benachbart sind, um ein weiteres Datenobjekt5 zu erzielen, das aus den zwei Datenobjekten5 besteht. - Das Dialogelement, das mit "Candidates" bezeichnet ist, wird verwendet, um die Klassifikation der zwei benachbarten Datenobjekte
5 zu bestimmen. Das Dialogelement, das mit "Fitting function" bezeichnet ist, lässt zu, dass der Nutzer ein Optimierungskriterium definiert, das aus einem Datenobjektmerkmal, wie zum Beispiel hier "Elliptic Fit" besteht, welches eine Eigenschaft der zwei benachbarten Datenobjekte5 und eines Datenobjekts5 misst, das durch Fusionieren der zwei benachbarten Datenobjekte5 erzeugt wird, wie zum Beispiel hier die Nähe zu einer Ellipse. Jedoch kann irgendeine andere Eigenschaft ebenso verwendet werden. Weiterhin besteht das Optimierungskriterium ebenso aus einer gewichteten Summe von Eigenschaftswerten der zwei benachbarten Datenobjekte5 und des Datenobjekts5 , das durch Fusionieren der zwei benachbarten Datenobjekte5 erzeugt wird. - Options-Schaltflächen "minimize" und "maximize" werden verwendet, um auszuwählen, ob die gewichtete Summe von Eigenschaftswerten minimiert oder maximiert werden sollte. Schließlich wird der sich ergebende Wert der gewichteten Summe mit einem Passungsschwellwert verglichen, welcher ebenso von dem Nutzer ausgewählt werden kann und verwendet wird, um zu bestimmen, ob die Optimierung erfüllt ist oder nicht.
- Wenn das Optimierungskriterium nicht erfüllt ist, werden die zwei benachbarten Datenobjekte nicht fusioniert und ist eine Verarbeitung beendet. Wenn jedoch das Optimierungskriterium erfüllt ist, wird es angekreuzt. Zum Beispiel ist das Optimierungskriterium erfüllt, wenn eine Weise der Passung, wie zum Beispiel "best fitting" angekreuzt ist, welche ebenso von dem Nutzer ausgewählt werden kann. Wenn die Weise der Passung erfüllt ist, werden die zwei benachbarten Datenobjekte
5 fusioniert. Wenn jedoch die Weise der Passung nicht erfüllt ist, schreitet das Verfahren mit einem der zwei benachbarten Datenobjekte5 und einem weiteren Datenobjekt5 fort, das zu dem einen der zwei benachbarten Datenobjekte5 benachbart ist. Das zuvor erwähnte Verfahren kann wiederholt werden, bis kein weiteres Fusionieren von Datenobjekten5 auftritt oder bis eine bestimmte Anzahl von Zyklen ausgeführt worden ist. Das zuvor erwähnte Verfahren ist ein Beispiel eines wichtigen Typs von besonderen Verarbeitungsobjekten, welches in8 auf eine allgemeine Weise gezeigt ist. -
8 zeigt eine klassifikationsbasierte Objektevolution, die in einem Dreiecksverfahren durchgeführt wird. Zu Beginn des Dreiecksverfahrens wird ein besonderes Verarbeitungsobjekt2 durch Auswählen der Datendomäne6 , der Klassendomäne9 , des Algorithmus11 , einer zusätzlichen Datendomäne12 in dem Datenobjektnetz4 und einer zusätzlichen Klassendomäne16 in dem Klassenobjektnetz7 definiert. Das besondere Verarbeitungsnetz weist die Datendomäne6 , die Klassendomäne9 , den Algorithmus11 , die zusätzliche Datendomäne12 und die zusätzliche Klassendomäne16 auf. - Danach wird eine morphologische Operation
13 unter Verwendung des Algorithmus11 durchgeführt, um die semantischen Einheiten in der Datendomäne6 mit den semantischen Einheiten in der zusätzlichen Datendomäne12 zu kombinieren, um sekundäre semantische Einheiten14 auszubilden. Eine der sekundären semantischen Einheiten14 wird mit einer bestpassenden der semantischen Einheiten in der zusätzlichen Klassendomäne16 (siehe den Pfeil15 ) verglichen und die eine sekundäre semantische Einheit14 wird gemäß der Passung zugelassen oder zurückgewiesen (siehe den Pfeil17 ), um dadurch eine tertiäre semantische Einheit20 auszubilden. - Danach werden die zuvor erwähnte morphologische Operation
13 und die Schritte eines Vergleichens und Zulassens oder Zurückweisens (siehe den Pfeil17 ) wiederholt, bis jede tertiäre semantische Einheit20 dadurch aus einer weiteren Verarbeitung beseitigt ist. Das zuvor erwähnte Verfahren kann derart durchgeführt werden, dass jeder Schritt mehrere Male durchgeführt wird, wie es durch den Kreis18 gezeigt ist, der mit "Iterationen während einer Evolution" bezeichnet ist. Weiterhin können mehrere besondere Verarbeitungseinheiten miteinander verknüpft sein, bevor die morphologische Operation durchgeführt wird, um eine Ablaufsteuerung auf der Grundlage dessen auszubilden, wie die mehreren Verarbeitungsobjekte verknüpft sind. - Es gibt zusätzlich die Möglichkeit, das übergeordnete besondere Verarbeitungsobjekt durch Auswählen einer besonderen Datendomäne in einem besonderen Verarbeitungsobjektnetz, der Klassendomäne
9 in dem Klassenobjektnetz7 und des Algorithmus11 in dem Satz von Algorithmen10 zu definieren. Das übergeordnete besondere Verarbeitungsobjekt weist die besondere Datendomäne, die Klassendomäne9 und den Algorithmus11 auf. Die besondere Verarbeitung wird mit den semantischen Einheiten in der Klassendomäne9 verglichen. Schließlich wird das besondere Verarbeitungsobjekt aus einer weiteren Verarbeitung beseitigt, wenn das besondere Verarbeitungsobjekt ein vorbestimmtes Kriterium erfüllt. - Mittels des zuvor erwähnten zusätzlichen Verfahrens gibt es die Möglichkeit, das zeitliche Verhalten von jedem verarbeiteten Objekt zu überwachen und dieses Verhalten zum Klassifizieren und einer weiteren Verarbeitung der überwachten Objekte zu verwenden.
- Wie es bereits zuvor erwähnt worden ist, kann die vorliegende Erfindung allgemein an Datenobjekten angewendet werden. Jedoch ist eine wichtige Anwendung der vorliegenden Erfindung die Anwendung auf Bilddaten, um Bilder zu klassifizieren. Eine besondere Anwendung der vorliegenden Erfindung ist die Anwendung auf Bilddaten auf dem Gebiet der Biowissenschaft, auf dem die Bilder Mikroskopbilder, die von Gewebeproben genommen werden, Mikroskopbilder, die von geeignet gefärbten Gewebeproben genommen werden, Mikroskopbilder, die von lebenden oder frischen Zellen genommen werden, und Mikroskopbilder, die von Fluoreszenzmikroskopen oder Scannern genommen werden, usw. sind. Eine weitere wichtige Anwendung der vorliegenden Erfindung ist die Anwendung auf Bilddaten auf dem Gebiet einer Extraktion einer geografischen Information unter Verwendung eines Satelliten, eines Flugzeugs, oder von anderen Bildern.
- Obgleich die vorliegende Erfindung in Verbindung mit bestimmten besonderen Ausführungsbeispielen zu Lehrzwecken beschrieben worden ist, ist die vorliegende Erfindung nicht darauf beschränkt. Demgemäß können verschiedene Ausgestaltungen, Abwandlungen und Kombinationen von verschiedenen Merkmalen der beschriebenen Ausführungsbeispiele in die Praxis umgesetzt werden, ohne den Umfang der Erfindung zu verlassen, wie er in den Ansprüchen dargelegt ist.
Claims (26)
- Verfahren zum Extrahieren einer Information aus Eingabedaten, das aufweist: (a) Abbilden der Eingabedaten in ein Datenobjektnetz (
4 ), wobei die Eingabedaten semantische Einheiten aufweisen, wobei ein semantisches Wissensnetz das Datenobjektnetz (4 ), ein Klassenobjektnetz (7 ) und ein Verarbeitungsobjektnetz (1 ) aufweist, wobei das semantische Wissensnetz einen Algorithmensatz (10 ) verwendet, um die semantischen Einheiten zu verarbeiten; (b) Definieren eines Verarbeitungsobjekts (2 ) in dem Verarbeitungsobjektnetz (1 ) durch Auswählen einer Datendomäne (6 ) in dem Datenobjektnetz (4 ), einer Klassendomäne (9 ) in dem Klassenobjektnetz (7 ) und eines Algorithmus (11 ) aus dem Algorithmensatz (10 ) mehrere Male, wobei das Verarbeitungsobjekt (2 ) die Datendomäne (6 ), die Klassendomäne (9 ) und den Algorithmus (11 ) aufweist; und (d) Verarbeiten der semantischen Einheiten in dem Verarbeitungsobjektnetz (1 ) unter Verwendung des Verarbeitungsobjekts (2 ), dadurch gekennzeichnet, dass zwischen dem Schritt (b) und dem Schritt (d) der folgende Schritt durchgeführt wird: (c) direktes Verknüpfen von mehreren Verarbeitungsobjekten (2 ), die definiert werden, wenn der Schritt (b) mehrere Male durchgeführt wird, über Verknüpfungsobjekte (3 ), wobei die mehreren Verarbeitungsobjekte (2 ) über die Verknüpfungsobjekte (3 ) direkt miteinander verknüpft werden, um eine Ablaufsteuerung auf der Grundlage des direkten Verknüpfens von mehreren Verarbeitungsobjekten (2 ) auszubilden. - Verfahren nach Anspruch 1, wobei das Verknüpfen in dem Schritt (c) mindestens eines eines Ausführens der mehreren Verarbeitungsobjekte (
2 ) als Unter-Verarbeitungsobjekte, eines seriellen Ausführens der mehreren Verarbeitungsobjekte (2 ) oder eines parallelen Ausführens der mehreren Verarbeitungsobjekte (2 ) aufweist. - Verfahren nach Anspruch 1, wobei das Verarbeitungsobjekt (
2 ) mehrere Male ausgeführt wird, wobei jedes Mal weitere semantische Einheiten verarbeitet werden. - Verfahren nach Anspruch 1, wobei das Verarbeitungsobjektnetz (
1 ) eine Steuerstruktur aufweist, die aus der Gruppe genommen ist, die aus einer Schleife, einer Verzweigung, einem Funktionsaufruf, einem Sprung und einer Ablaufsteuerung besteht. - Verfahren nach Anspruch 1, wobei das Klassenobjektnetz (
7 ) und das Verarbeitungsobjektnetz (1 ) über die Klassendomäne (9 ) miteinander verknüpft werden. - Verfahren nach Anspruch 1, wobei das semantische Wissensnetz klassifizierende Verknüpfungsobjekte (
3 ) verwendet, um die semantischen Einheiten zu verarbeiten, und wobei das Datenobjektnetz (4 ) und das Klassenobjektnetz (7 ) über die klassifizierenden Verknüpfungsobjekte (3 ) miteinander verknüpft werden. - Verfahren nach Anspruch 1, wobei das Datenobjektnetz (
4 ) und das Verarbeitungsobjektnetz (1 ) über die Verknüpfungsobjekte (3 ) miteinander verknüpft werden, die auf der Grundlage der Datendomäne (6 ) während des Verarbeitens in dem Schritt (d) dynamisch erzeugt werden. - Verfahren nach Anspruch 1, wobei ein Verarbeitungsobjekt (
2 ) durch eine Datendomäne (6 ), eine Klassendomäne (9 ) und einen Algorithmus (11 ) eindeutig definiert wird. - Verfahren nach Anspruch 1, wobei das Verarbeiten unter Verwendung des Verarbeitungsobjekts (
2 ) in dem Schritt (d) die Schritte aufweist: (d1) Extrahieren eines Untersatzes von Datenobjekten (5 ) in der Datendomäne (6 ) aus dem Datenobjektnetz (4 ); und (d2) Anwenden des Algorithmus (11 ) an jedem der Datenobjekte (5 ) in dem Untersatz von Datenobjekten (5 ). - Verfahren nach Anspruch 1, wobei die Datendomäne (
6 ) ein Untersatz des Datenobjektnetzes (4 ) ist, die Klassendomäne (9 ) ein Untersatz des Klassenobjektnetzes (7 ) ist und der Algorithmus (11 ) ein Untersatz des Algorithmensatzes (10 ) ist. - Verfahren nach Anspruch 1, wobei ein einzelnes Verarbeitungsobjekt (
2 ) die semantischen Einheiten in mindestens einem des Datenobjektnetzes (4 ), des Klassenobjektnetzes (7 ) und des Verarbeitungsobjektnetzes (1 ) auf der Grundlage der Datendomäne (6 ), der Klassendomäne (9 ) und des Algorithmensatzes (11 ) verarbeitet. - Verfahren nach Anspruch 1, das weiterhin aufweist: (e) Definieren eines besonderen Verarbeitungsobjekts (
2 ) durch Auswählen der Datendomäne (12 ), der Klassendomäne (9 ), des Algorithmus (11 ), einer weiteren Datendomäne (12 ) in dem Datenobjektnetz (4 ) und einer weiteren Klassendomäne (16 ) in dem Klassenobjektnetz (7 ), wobei das besondere Verarbeitungsobjekt (2 ) die Datendomäne (6 ), die Klassendomäne (9 ), den Algorithmus (11 ), die weitere Datendomäne (12 ) und die weitere Klassendomäne (16 ) aufweist; (f) Durchführen einer morphologischen Operation unter Verwendung des Algorithmus (11 ), um die semantischen Einheiten in der Datendomäne (6 ) mit den semantischen Einheiten in der weiteren Datendomäne (12 ) zu kombinieren, um sekundäre semantische Einheiten (14 ) zu erzeugen; (g) Vergleichen von einer der sekundären semantischen Einheiten (14 ) mit einer bestpassenden der semantischen Einheiten in der weiteren Klassendomäne (16 ) und Zulassen oder Zurückweisen der einen sekundären semantischen Einheit (14 ) in Übereinstimmung mit der Passung, um dadurch eine tertiäre semantische Einheit (20 ) auszubilden; und (h) Wiederholen des Durchführens in dem Schritt (f) und des Vergleichens in dem Schritt (g), bis jede tertiäre semantische Einheit (20 ) ein vorbestimmtes Kriterium erfüllt und dadurch aus einem weiteren Verarbeiten beseitigt wird. - Verfahren nach Anspruch 12, wobei jeder Schritt mehrere Male durchgeführt wird.
- Verfahren nach Anspruch 12, wobei mehrere besondere Verarbeitungsobjekte (
2 ) miteinander verknüpft werden, bevor eine morphologische Operation in dem Schritt (f) durchgeführt wird, um auf der Grundlage dessen eine Ablaufsteuerung auszubilden, wie die mehreren Verarbeitungsobjekte (2 ) verknüpft werden. - Verfahren nach Anspruch 12, das weiterhin aufweist: (i) Definieren eines übergeordneten besonderen Verarbeitungsobjekts durch Auswählen einer besonderen Datendomäne in einem besonderen Verarbeitungsobjektnetz, der Klassendomäne (
9 ) in dem Klassenobjektnetz (7 ) und des Algorithmus (11 ) in dem Algorithmensatz (10 ), wobei das übergeordnete besondere Verarbeitungsobjekt die besondere Datendomäne, die Klassendomäne (9 ) und den Algorithmus (11 ) aufweist; (j) Vergleichen des besonderen Verarbeitungsobjekts mit den semantischen Einheiten in der Klassendomäne (9 ); und (k) Beseitigen des besonderen Verarbeitungsobjekts aus einem weiteren Verarbeiten, wenn das besondere Verarbeitungsobjekt ein vorbestimmtes Kriterium erfüllt. - System zum Extrahieren einer Information aus Eingabedaten, das aufweist: eine Abbildungseinrichtung zum Abbilden der Eingabedaten in ein Datenobjektnetz (
4 ), wobei die Eingabedaten semantische Einheiten aufweisen, wobei ein semantisches Wissensnetz das Datenobjektnetz (4 ), ein Klassenobjektnetz (7 ) und ein Verarbeitungsobjektnetz (1 ) aufweist, wobei das semantische Wissensnetz einen Algorithmensatz (10 ) verwendet, um die semantischen Einheiten zu verarbeiten; eine Definitionseinrichtung zum Definieren eines Verarbeitungsobjekts (2 ) in dem Verarbeitungsobjektnetz (1 ) durch Auswählen einer Datendomäne (6 ) in dem Datenobjektnetz (4 ), einer Klassendomäne (9 ) in dem Klassenobjektnetz (7 ) und eines Algorithmus (11 ) aus dem Algorithmensatz (10 ) mehrere Male, wobei das Verarbeitungsobjekt (2 ) die Datendomäne (6 ), die Klassendomäne (9 ) und den Algorithmus (11 ) aufweist; und eine Verarbeitungseinrichtung zum Verarbeiten der semantischen Einheiten in dem Verarbeitungsobjektnetz (1 ) unter Verwendung des Verarbeitungsobjekts (2 ), gekennzeichnet durch: eine Verknüpfungseinrichtung zum direkten Verknüpfen von mehreren Verarbeitungsobjekten (2 ), die von der Definitionseinrichtung mehrere Male definiert werden, vor dem Verarbeiten der Verarbeitungseinrichtung über Verküpfungsobjekte, um eine Ablaufsteuerung auf der Grundlage des direkten Verknüpfens der mehreren Verarbeitungsobjekte (2 ) auszubilden. - System nach Anspruch 16, wobei die Verknüpfungseinrichtung ein Verarbeitungsobjekt (
2 ) durch Ausführen der Verarbeitungsobjekte (2 ) als Unter Verarbeitungsobjekte, durch serielles Ausführen der Verarbeitungsobjekte (2 ) oder durch paralleles Ausführen der Verarbeitungsobjekte (2 ) mit einem anderen Verarbeitungsobjekt (2 ) verknüpft. - System nach Anspruch 16, wobei die Verarbeitungseinrichtung das Verarbeitungsobjekt (
2 ) mehrere Male ausführt. - System nach Anspruch 16, wobei das Verarbeitungsobjektnetz (
1 ) eine Steuerstruktur aufweist, die aus der Gruppe genommen ist, die aus einer Schleife, einer Verzweigung, einem Funktionsaufruf, einem Sprung und einer Ablaufsteuerung besteht. - System nach Anspruch 16, wobei das Klassenobjektnetz (
7 ) und das Verarbeitungsobjektnetz (1 ) über die Klassendomäne (9 ) miteinander verknüpft werden. - System nach Anspruch 16, wobei das semantische Wissensnetz klassifizierende Verknüpfungsobjekte (
3 ) verwendet, um die semantischen Einheiten zu verarbeiten, und wobei das Datenobjektnetz (4 ) und das Klassenobjektnetz (7 ) über die klassifizierenden Verknüpfungsobjekte (3 ) miteinander verknüpft werden. - System nach Anspruch 16, wobei das Datenobjektnetz (
4 ) und das Verarbeitungsobjektnetz (1 ) über Verknüpfungsobjekte (3 ) miteinander verknüpft werden, die auf der Grundlage der Datendomäne (6 ) dynamisch erzeugt werden. - System nach Anspruch 16, wobei ein Verarbeitungsobjekt (
2 ) durch eine Datendomäne (6 ), eine Klassendomäne (9 ) und einen Algorithmus (11 ) eindeutig definiert wird. - System nach Anspruch 16, wobei die Verarbeitungseinrichtung einen Untersatz von Datenobjekten (
5 ) in der Datendomäne (6 ) aus dem Datenobjektnetz (4 ) extrahiert und den Algorithmus (11 ) an jedem der Datenobjekte (5 ) in dem Untersatz von Datenobjekten (5 ) anwendet. - System nach Anspruch 16, wobei die Datendomäne (
6 ) ein Untersatz des Datenobjektnetzes (4 ) ist, die Klassendomäne (9 ) ein Untersatz des Klassenobjektnetzes (7 ) ist und der Algorithmus (11 ) ein Untersatz des Algorithmensatzes (10 ) ist. - System nach Anspruch 16, wobei ein einzelnes Verarbeitungsobjekt (
2 ) die semantischen Einheiten in mindestens einem des Datenobjektnetzes (4 ), des Klassenobjektnetzes (7 ) und des Verarbeitungsobjektnetzes (1 ) auf der Grundlage der Datendomäne (6 ), der Klassendomäne (9 ) und des Algorithmensatzes (11 ) verarbeitet.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE10248013 | 2002-10-15 | ||
DE10248013 | 2002-10-15 | ||
PCT/IB2003/006431 WO2004036337A2 (en) | 2002-10-15 | 2003-10-15 | Information extraction using an object based semantic network |
Publications (2)
Publication Number | Publication Date |
---|---|
DE60318471D1 DE60318471D1 (de) | 2008-02-14 |
DE60318471T2 true DE60318471T2 (de) | 2008-12-24 |
Family
ID=32102762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE60318471T Expired - Lifetime DE60318471T2 (de) | 2002-10-15 | 2003-10-15 | Extraktion von wissen mittels eines objektbasierten semantischen netzes |
Country Status (5)
Country | Link |
---|---|
US (2) | US7146380B2 (de) |
EP (1) | EP1552437B1 (de) |
AU (1) | AU2003296860A1 (de) |
DE (1) | DE60318471T2 (de) |
WO (1) | WO2004036337A2 (de) |
Families Citing this family (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19960372A1 (de) * | 1999-12-14 | 2001-06-21 | Definiens Ag | Verfahren zur Verarbeitung von Datenstrukturen |
DE60318471T2 (de) * | 2002-10-15 | 2008-12-24 | Definiens Ag | Extraktion von wissen mittels eines objektbasierten semantischen netzes |
US7873223B2 (en) | 2002-10-15 | 2011-01-18 | Definiens Ag | Cognition integrator and language |
US7801361B2 (en) * | 2002-10-15 | 2010-09-21 | Definiens Ag | Analyzing pixel data using image, thematic and object layers of a computer-implemented network structure |
US8594410B2 (en) * | 2006-08-28 | 2013-11-26 | Definiens Ag | Context driven image mining to generate image-based biomarkers |
US20050209983A1 (en) * | 2004-03-18 | 2005-09-22 | Macpherson Deborah L | Context driven topologies |
US7703005B2 (en) * | 2004-05-21 | 2010-04-20 | Bea Systems, Inc. | Method to generate scripts from XML |
CA2500573A1 (en) * | 2005-03-14 | 2006-09-14 | Oculus Info Inc. | Advances in nspace - system and method for information analysis |
EP1667360A1 (de) | 2004-12-06 | 2006-06-07 | BMC Software, Inc. | Generische Bestimmung für Computernetzwerke |
US9137115B2 (en) | 2004-12-06 | 2015-09-15 | Bmc Software, Inc. | System and method for resource reconciliation in an enterprise management system |
US8849860B2 (en) | 2005-03-30 | 2014-09-30 | Primal Fusion Inc. | Systems and methods for applying statistical inference techniques to knowledge representations |
US10002325B2 (en) | 2005-03-30 | 2018-06-19 | Primal Fusion Inc. | Knowledge representation systems and methods incorporating inference rules |
US9104779B2 (en) | 2005-03-30 | 2015-08-11 | Primal Fusion Inc. | Systems and methods for analyzing and synthesizing complex knowledge representations |
US9177248B2 (en) | 2005-03-30 | 2015-11-03 | Primal Fusion Inc. | Knowledge representation systems and methods incorporating customization |
US7849090B2 (en) | 2005-03-30 | 2010-12-07 | Primal Fusion Inc. | System, method and computer program for faceted classification synthesis |
US9378203B2 (en) | 2008-05-01 | 2016-06-28 | Primal Fusion Inc. | Methods and apparatus for providing information of interest to one or more users |
US20070156712A1 (en) * | 2005-12-28 | 2007-07-05 | Wasserman Brian J | Semantic grammar and engine framework |
US20070240040A1 (en) * | 2006-04-05 | 2007-10-11 | Christopher Peters | Non-compiled portable algorithm |
US8233712B2 (en) * | 2006-07-28 | 2012-07-31 | University Of New Brunswick | Methods of segmenting a digital image |
US8019134B2 (en) * | 2006-11-16 | 2011-09-13 | Definiens Ag | Automatic image analysis and quantification for fluorescence in situ hybridization |
US8542899B2 (en) | 2006-11-30 | 2013-09-24 | Definiens Ag | Automatic image analysis and quantification for fluorescence in situ hybridization |
US7620498B2 (en) * | 2007-08-23 | 2009-11-17 | Chevron U.S.A. Inc. | Automated borehole image interpretation |
EP2031423B1 (de) * | 2007-08-31 | 2013-05-15 | Services Pétroliers Schlumberger | Identifizierung geologischer Eigenschaften auf einem Bild einer ein Bohrloch umgebenden unterirdischen Formation |
US9361365B2 (en) | 2008-05-01 | 2016-06-07 | Primal Fusion Inc. | Methods and apparatus for searching of content using semantic synthesis |
EP2300966A4 (de) | 2008-05-01 | 2011-10-19 | Peter Sweeney | Verfahren, system und computerprogramm zur benutzergesteuerten dynamischen erzeugung von semantischen netzwerken und mediensynthese |
US8676732B2 (en) | 2008-05-01 | 2014-03-18 | Primal Fusion Inc. | Methods and apparatus for providing information of interest to one or more users |
US8116522B1 (en) | 2008-08-25 | 2012-02-14 | The United States Of America As Represented By The Secretary Of The Navy | Ship detection system and method from overhead images |
CA2734756C (en) | 2008-08-29 | 2018-08-21 | Primal Fusion Inc. | Systems and methods for semantic concept definition and semantic concept relationship synthesis utilizing existing domain definitions |
US10831724B2 (en) * | 2008-12-19 | 2020-11-10 | Bmc Software, Inc. | Method of reconciling resources in the metadata hierarchy |
US8280928B2 (en) * | 2009-03-31 | 2012-10-02 | Alcatel Lucent | Multi-level enmeshed directory structures |
US9292855B2 (en) | 2009-09-08 | 2016-03-22 | Primal Fusion Inc. | Synthesizing messaging using context provided by consumers |
US20110060645A1 (en) * | 2009-09-08 | 2011-03-10 | Peter Sweeney | Synthesizing messaging using context provided by consumers |
US20110060644A1 (en) * | 2009-09-08 | 2011-03-10 | Peter Sweeney | Synthesizing messaging using context provided by consumers |
US9262520B2 (en) | 2009-11-10 | 2016-02-16 | Primal Fusion Inc. | System, method and computer program for creating and manipulating data structures using an interactive graphical interface |
US8770954B2 (en) | 2010-02-10 | 2014-07-08 | KickSmart International, Inc. | Human-powered irrigation pump |
US8712979B2 (en) | 2010-03-26 | 2014-04-29 | Bmc Software, Inc. | Statistical identification of instances during reconciliation process |
US9235806B2 (en) | 2010-06-22 | 2016-01-12 | Primal Fusion Inc. | Methods and devices for customizing knowledge representation systems |
US10474647B2 (en) | 2010-06-22 | 2019-11-12 | Primal Fusion Inc. | Methods and devices for customizing knowledge representation systems |
US8744148B2 (en) | 2010-08-24 | 2014-06-03 | Varian Medical Systems International Ag | Method and apparatus regarding iterative processes as pertain to medical imaging information |
US10127296B2 (en) | 2011-04-07 | 2018-11-13 | Bmc Software, Inc. | Cooperative naming for configuration items in a distributed configuration management database environment |
US11294977B2 (en) | 2011-06-20 | 2022-04-05 | Primal Fusion Inc. | Techniques for presenting content to a user based on the user's preferences |
US9098575B2 (en) | 2011-06-20 | 2015-08-04 | Primal Fusion Inc. | Preference-guided semantic processing |
US8897537B2 (en) * | 2011-08-02 | 2014-11-25 | Nec Laboratories America, Inc. | Cloud-based digital pathology |
US9265458B2 (en) | 2012-12-04 | 2016-02-23 | Sync-Think, Inc. | Application of smooth pursuit cognitive testing paradigms to clinical drug development |
US9380976B2 (en) | 2013-03-11 | 2016-07-05 | Sync-Think, Inc. | Optical neuroinformatics |
US9158799B2 (en) | 2013-03-14 | 2015-10-13 | Bmc Software, Inc. | Storing and retrieving context sensitive data in a management system |
CN103903164B (zh) * | 2014-03-25 | 2017-06-06 | 华南理工大学 | 基于领域信息的半监督方面自动提取方法及其系统 |
US9552549B1 (en) | 2014-07-28 | 2017-01-24 | Google Inc. | Ranking approach to train deep neural nets for multilabel image annotation |
US9792527B2 (en) * | 2015-10-14 | 2017-10-17 | International Business Machines Corporation | Automated slide comparator |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5537485A (en) | 1992-07-21 | 1996-07-16 | Arch Development Corporation | Method for computer-aided detection of clustered microcalcifications from digital mammograms |
US6075879A (en) | 1993-09-29 | 2000-06-13 | R2 Technology, Inc. | Method and system for computer-aided lesion detection using information from multiple images |
US6574357B2 (en) | 1993-09-29 | 2003-06-03 | Shih-Ping Wang | Computer-aided diagnosis method and system |
US6389305B1 (en) | 1993-12-15 | 2002-05-14 | Lifeline Biotechnologies, Inc. | Method and apparatus for detection of cancerous and precancerous conditions in a breast |
US5872859A (en) | 1995-11-02 | 1999-02-16 | University Of Pittsburgh | Training/optimization of computer aided detection schemes based on measures of overall image quality |
KR19990082557A (ko) | 1996-02-09 | 1999-11-25 | 윌리암 제이. 버크 | 불확실한 트레이닝 데이터를 사용하여 대상을검출 및 분류하기위한 뉴럴 네트워크의 트레이닝 방법 및 장치 |
US5671353A (en) * | 1996-02-16 | 1997-09-23 | Eastman Kodak Company | Method for validating a digital imaging communication standard message |
US5778378A (en) * | 1996-04-30 | 1998-07-07 | International Business Machines Corporation | Object oriented information retrieval framework mechanism |
US6324532B1 (en) | 1997-02-07 | 2001-11-27 | Sarnoff Corporation | Method and apparatus for training a neural network to detect objects in an image |
US6246782B1 (en) | 1997-06-06 | 2001-06-12 | Lockheed Martin Corporation | System for automated detection of cancerous masses in mammograms |
US6058322A (en) | 1997-07-25 | 2000-05-02 | Arch Development Corporation | Methods for improving the accuracy in differential diagnosis on radiologic examinations |
US6970587B1 (en) | 1997-08-28 | 2005-11-29 | Icad, Inc. | Use of computer-aided detection system outputs in clinical practice |
US5999639A (en) | 1997-09-04 | 1999-12-07 | Qualia Computing, Inc. | Method and system for automated detection of clustered microcalcifications from digital mammograms |
US6075878A (en) | 1997-11-28 | 2000-06-13 | Arch Development Corporation | Method for determining an optimally weighted wavelet transform based on supervised training for detection of microcalcifications in digital mammograms |
DE19908204A1 (de) | 1998-10-02 | 2000-04-06 | Delphi 2 Creative Tech Gmbh | Fraktales Netz n-ter Ordnung zum Behandeln komplexer Strukturen |
US20020188436A1 (en) * | 1998-02-10 | 2002-12-12 | Gunter Schmidt | Nth- order fractal network for handling complex structures |
US6282305B1 (en) | 1998-06-05 | 2001-08-28 | Arch Development Corporation | Method and system for the computerized assessment of breast cancer risk |
US6625303B1 (en) | 1999-02-01 | 2003-09-23 | Eastman Kodak Company | Method for automatically locating an image pattern in digital images using eigenvector analysis |
US6320976B1 (en) | 1999-04-01 | 2001-11-20 | Siemens Corporate Research, Inc. | Computer-assisted diagnosis method and system for automatically determining diagnostic saliency of digital images |
US6453058B1 (en) | 1999-06-07 | 2002-09-17 | Siemens Corporate Research, Inc. | Computer-assisted diagnosis method using correspondence checking and change detection of salient features in digital images |
US6801645B1 (en) | 1999-06-23 | 2004-10-05 | Icad, Inc. | Computer aided detection of masses and clustered microcalcifications with single and multiple input image context classification strategies |
DE19960372A1 (de) * | 1999-12-14 | 2001-06-21 | Definiens Ag | Verfahren zur Verarbeitung von Datenstrukturen |
US6944603B2 (en) * | 2000-06-24 | 2005-09-13 | International Business Machines Corporation | Fractal semantic network generator |
US20040006765A1 (en) * | 2002-04-16 | 2004-01-08 | Goldman Kenneth J. | Live software construction with dynamic classes |
DE60318471T2 (de) | 2002-10-15 | 2008-12-24 | Definiens Ag | Extraktion von wissen mittels eines objektbasierten semantischen netzes |
US6937776B2 (en) | 2003-01-31 | 2005-08-30 | University Of Chicago | Method, system, and computer program product for computer-aided detection of nodules with three dimensional shape enhancement filters |
-
2003
- 2003-10-15 DE DE60318471T patent/DE60318471T2/de not_active Expired - Lifetime
- 2003-10-15 EP EP03808849A patent/EP1552437B1/de not_active Expired - Lifetime
- 2003-10-15 US US10/687,477 patent/US7146380B2/en active Active
- 2003-10-15 AU AU2003296860A patent/AU2003296860A1/en not_active Abandoned
- 2003-10-15 WO PCT/IB2003/006431 patent/WO2004036337A2/en active IP Right Grant
-
2006
- 2006-10-17 US US11/582,225 patent/US7467159B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
EP1552437A2 (de) | 2005-07-13 |
US7146380B2 (en) | 2006-12-05 |
US20070036440A1 (en) | 2007-02-15 |
DE60318471D1 (de) | 2008-02-14 |
US7467159B2 (en) | 2008-12-16 |
WO2004036337A3 (en) | 2004-09-30 |
AU2003296860A1 (en) | 2004-05-04 |
US20040148296A1 (en) | 2004-07-29 |
EP1552437B1 (de) | 2008-01-02 |
WO2004036337A2 (en) | 2004-04-29 |
AU2003296860A8 (en) | 2004-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE60318471T2 (de) | Extraktion von wissen mittels eines objektbasierten semantischen netzes | |
EP1238364B1 (de) | Verfahren zur verarbeitung von datenstrukturen | |
EP1183619B1 (de) | Situationsabhängig operierendes semantisches netz n-ter ordnung | |
DE69832140T2 (de) | Verkehrswegesucher in einem Kommunikationsnetz | |
DE60009122T2 (de) | Mustererkennung für den datenaustausch zwischen rechnergestützten entwurfssystemen | |
DE60208778T2 (de) | Datenstruktur für informationssysteme | |
DE3911465C2 (de) | Verfahren zur automatischen Konfiguration technischer Systeme aus Komponenten | |
DE102020002301A1 (de) | Automatisches Detektieren nutzerseitig angeforderter Objekte in Bildern | |
DE19612016A1 (de) | Verfahren zur rechnergestützten Geometriemodellierung | |
DE102020007571A1 (de) | Einsetzen einer auf natürlicher Sprache beruhenden Verarbeitung und mehrerer Objektdetektionsmodelle zum automatischen Auswählen von Objekten in Bildern | |
DE102009038454A1 (de) | System und Verfahren zum Reduzieren einer Ausführungsdivergenz in Parallelverarbeitungsarchitekturen | |
DE102019131291B4 (de) | Gleichzeitige ausführung von dienstleistungen | |
DE19948028A1 (de) | Verfahren und System zum Optimieren des Anforderungsschickens in Workflow Management Systemen | |
DE112019000972T5 (de) | Verfahren und Systeme für vereinfachte grafische Abbildungen von bipartiten Graphen | |
DE112013005993T5 (de) | Verfahren, Vorrichtung und computerlesbares Medium für eine optimale Bestimmung von Daten-Teilmengen | |
DE112014001359T5 (de) | Prädiktives System zum Bereitstellen von Unternehmensanwendungen | |
DE4135347C2 (de) | Verfahren zur Aufrechterhaltung einer gegenseitigen Beziehung zwischen mehreren Objekten in einem für objekt-orientierte Sprache vorgesehenen Computer-System und Vorrichtung zur Durchführung eines derartigen Verfahrens | |
DE19960048A1 (de) | Zeitgesteuerte Startbedingungen für Aktivitäten in Workflow-Management-Systemen | |
DE10017551C2 (de) | Verfahren zur zyklischen, interaktiven Bildanalyse sowie Computersystem und Computerprogramm zur Ausführung des Verfahrens | |
DE19908204A1 (de) | Fraktales Netz n-ter Ordnung zum Behandeln komplexer Strukturen | |
EP2642749B1 (de) | Vorrichtung und Verfahren zur Optimierung der Bestimmung von Aufnahmebereichen | |
DE4015791A1 (de) | Neuralnetzwerk fuer farbselektionen | |
DE10103845A1 (de) | Rechnersystem | |
DE112012007005T5 (de) | Bildflächenübergangs-Diagrammerzeugungseinrichtung | |
WO2021140079A1 (de) | Verfahren und vorrichtung zur bildverarbeitung |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8364 | No opposition during term of opposition |