Een modulair consistent, disciminatief kader voor gestructureerde 'output learning in computer vision'.

State-of-the-art computerzichtsystemen zijn fundamenteel afhankelijk van statistisch leren om de prestaties te optimaliseren op een specifieke toepassing. Momenteel zijn statistische kaders in computervisie meestal gebaseerd op classificatie
en regressie, probabilistische grafische modellen of discriminerende gestructureerde voorspellingskaders zoals de Gestructureerde Output Support Vector Machine (SOSVM). Hoewel sommige van de best presterende computervisie systemen in de literatuur zijn gebaseerd op een onderscheidende gestructureerde voorspelling, de momenteel beschikbare technologieën zijn dat wel gefragmenteerd, moeilijk toepasbaar in nieuwe omgevingen, en missen zelfs elementaire statistische garanties zoals consistentie. Er is een diepgaande onvervulde behoefte in computervisie voor een modulair, onderscheidend, statistisch principieel leren kader. Mijn visie is om een modulair onderscheidend leerkader te bieden voor computervisie met sterke statistische gegevens garanties, waarvoor minimale ontwikkelingsinspanningen vereist zijn.