Vorlesung 1. Einführung
|
|
- Gisela Siegel
- vor 7 Jahren
- Abrufe
Transkript
1 Vorlesung 1 Einführung Martin Giese Martin.giese@tuebingen.mpg.de
2 Empfehlenswerte Bücher Blake, A. & Isard, M. (1998). Active Contours. Springer, Berlin. Cristianini, N. & Shawe-Taylor, J. (2000). Support Vector Machines. Cambridge University Press, Cambridge, UK. Jähne, B. (2002). Digitale Bilodverarbeitung. Springer, Berlin. Hastie, T., Tibshirani, R. & Friedman, J. (2001). The Elements of Statistical Learning. Springer, Berlin. Trucco, E. & Verri, A. (1998). Introductiory Techniques for 3D Computer Vision. Prentice-Hall, Upper Saddle River, NJ, USA. Vapnik, V.N. (1998). Statistical Learning Theory. Backwell Publishers, Oford, UK. Watt, A. (1999). 3D-Computergrafik. Pearson Studium, München.
3 Vorlesungs-Webseite
4 Übersicht! Einführung Maschinenlernen! Computervision-Anwendungen! Computergrafik-Anwendungen! Themen + Termine der folgenden Vorlesungen
5 I. Grundlagen des Maschinenlernens
6 Maschinenlernen Definition: Klasse von Algorithmen zur Etraktion von Parametern, Zusammenhängen oder Strukturen aus Datensätzen. Trainingsdatensatz Generalisierung Testdatensatz
7 Maschinenlernen Typische Lernprobleme! Überwachtes Lernen (supervised learning) Daten: Input-Output-Paare Ziel: Lernen der Beziehung Lerner y zwischen und y! Unüberwachtes Lernen (unsupervised learning) Daten: Nur Inputs Ziel: Modell für lernen (z.b. zur Vorhersage) Lerner
8 Maschinenlernen Typische Lernprobleme (Forts.)! Verstärkungslernen (reinforcement learning) Daten: Inputs n, Belohnungen r n Ziel: Lernen des optimalen Verhaltens a n bei gegebenen n n Lerner a n Aktion Belohnung / Bestrafung r n
9 Maschinenlernen Anwendungen: Überwachtes Lernen! Zusamenhänge modellieren! Klassifizierung (y diskret) und Regression (y kontinuierlich)! Prädiktion
10 Maschinenlernen Anwendungen: Unüberwachtes Lernen! Dimensionalitätsreduktion! Clustering! Unbeobachtete Quellenvariablen oder Ursachen modellieren! Ausreisserelimination! Modellierung der Wahrscheinlichkeitsdichtefunktion von Daten
11 Maschinenlernen Beziehung mit Prädiktion und Modellierung:! Überwachtes Lernen Vorhersage von y Gegebenen: Gesucht: Modell für Zusammenhang y = f ˆ( ) ˆ ( ) = aˆ0 + aˆ f 1 y! Unüberwachtes Lernen Optimale Vorhersage von durch internes generatives Modell = aˆ ξ + aˆ ξ ξ 1, Zufallsvar.
12 Maschinenlernen Inferenz: Schätzen von unbeobachtbaren Variablen oder Parametern aus Beispieldaten.
13 Maschinenlernen Variablentypen! Binär (z.b. Detektion: da vs. nicht da )! kategorial (z.b. Gesichtserkennung: Bush, Monroe, )! Kontinuierlich (z.b. Objektorientierung)! Univariat (z.b. Helligkeit) vs. multivariat (z.b. RGB, oder alle Piel eines Bildfensters)
14 Maschinenlernen Beispiele! Klassische Signaldetektion! Zweiklassen-Klassifikation! Multiklassen-Klassifikation! Regression! Clusteranalyse! Hauptkomponentenanalyse! Reinforcement-Learning
15 Maschinenlernen Radar Beispiele! Klassische Signaldetektion! Zweiklassen-Klassifikation! Multiklassen-Klassifikation! Regression! Clusteranalyse! Hauptkomponentenanalyse! Reinforcement-Learning? t! Überwachtes Lernen!,y univariat! : kontinuierlich; y: binär y
16 Maschinenlernen Geschlechtserkennung Beispiele! Klassische Signaldetektion! Zweiklassen-Klassifikation! Multiklassen-Klassifikation! Regression! Clusteranalyse! Hauptkomponentenanalyse! Reinforcement-Learning Moghaddam & Yang (1998) : (R,G,B) piel y: Geschlecht: m / w! Überwachtes Lernen! : multivariat, kontinuierlich! y: binär
17 Maschinenlernen Gesichtererkennung Beispiele! Klassische Signaldetektion! Zweiklassen-Klassifikation! Multiklassen-Klassifikation! Regression! Clusteranalyse! Hauptkomponentenanalyse! Reinforcement-Learning H. Bogart! Überwachtes Lernen! : multivariat, kontinuierl. (Piel-Maps)! y: diskret
18 Maschinenlernen Beispiele! Klassische Signaldetektion! Zweiklassen-Klassifikation! Multiklassen-Klassifikation! Regression! Clusteranalyse! Hauptkomponentenanalyse! Reinforcement-Learning y Regression! Überwachtes Lernen! : kontinuierlich! y: kontinuierlich
19 Maschinenlernen Bildsegmentierung Beispiele! Klassische Signaldetektion! Zweiklassen-Klassifikation! Multiklassen-Klassifikation! Regression! Clusteranalyse! Hauptkomponentenanalyse! Reinforcement-Learning 2 =G 3 =B 1 =R! Unüberwachtes Lernen! : multivariat, kontinuierl. (Piel-Map)
20 Maschinenlernen Eigen faces Beispiele! Klassische Signaldetektion! Zweiklassen-Klassifikation! Multiklassen-Klassifikation! Regression! Clusteranalyse! Hauptkomponentenanalyse! Reinforcement-Learning Linearkombination! Unüberwachtes Lernen! : multivariat, kontinuierl. (Piel-Maps)! Eigengesichter orthogonal
21 Maschinenlernen Lernen von Segmentierung Beispiele! Klassische Signaldetektion! Zweiklassen-Klassifikation! Multiklassen-Klassifikation! Regression! Clusteranalyse! Hauptkomponentenanalyse! Reinforcement-Learning Peng & Bhanu (1998)! Verstärkungslernen! : multivariat, kontinuierl. (Piel-Map)! Belohnungsvariable: Konfidenzlevel beim Matchen! Parameter des Segementierungsalgorithmus optimiert
22 Warum Lernen in Vision?! Komplee visuelle Objekte schwer modellierbar! Hoher Aufwand für Modellierung! Fleibiliät! Datenkompression! Etraktion / Modellierung von intrinsischen Dimensionen (z.b. männlich / weiblich) T. Vetter (Freiburg)
23 Geschichte von Lernansätzen (s.a. Freeman, 2001)! Spracherkennung: " : zahlreiche Ansätze " 1980: Lernansätze (HMMs) werden populär " >1990: HMMs sind Standardmethode! Computervision: " vor 1990: einfache Lermethoden für Mustererkennung " Ab 1990: Systematische Übertragung von Lernansätzen auf Visionprobleme (Klassifikatoren, Kalman-Filter, HMMs, Neuronale Netze)! Computergrafik: " Ende der 90er: Lernmethoden werden zunehmend populär
24 II. Anwendungen in Computervision
25 Computervision Einige Beispielthemen! Filterung und Merkmalsetraktion! Invarianten! Detektion von Merkmalen in Bildern! Repräsentation von Konturen! Shape from (motion, stereo, shading )! Formrepräsentation und modellierung! Robotersehen! Aktives Sehen
26 Computervision Einige Beispielthemen! Filterung und Merkmalsetraktion! Invarianten! Detektion von Merkmalen in Bildern! Repräsentation von Konturen! Shape from (motion, stereo, shading )! Formrepräsentation und modellierung! Robotersehen! Aktives Sehen Lernen
27 Computervision Anwendungen! Gesichts- und Gestenerkennung! Überwachungssysteme! Fahrerassistenzsysteme, Verkehrsüberwachung! Man-Machine-Interfaces (VR, Spiele, Telepräsenz, etc.)! Visuell gesteuerte Roboter! Medizinische Bildanalyse! Bilddatenbanken
28 Computervision Anwendungen! Gesichts- und Gestenerkennung! Überwachungssysteme! Fahrerassistenzsysteme, Verkehrsüberwachung! Man-Machine-Interfaces (VR, Spiele, Telepräsenz, etc.)! Visuell gesteuerte Roboter! Medizinische Bildanalyse! Bilddatenbanken Lernen
29 Computergrafik Einige Beispielthemen! Geometrische Transformationen! Tetursynthese! Modellierung von Kurven und Oberflächen! Modellierung von 3D-Objekten! Rendering! Computeranimation
30 Computergrafik Einige Beispielthemen! Geometrische Transformationen! Tetursynthese! Modellierung von Kurven und Oberflächen! Modellierung von 3D-Objekten! Rendering! Computeranimation Lernen
31 Computergrafik Anwendungen! Bildsynthese! CAD! Simulation von bewegten Objekten und Avataren für Film und Spiele, Computerkunst! Visualisierung von Daten (Wissenschaft, Wettervorhersage, Medizin, )
32 Computergrafik Anwendungen! Bildsynthese! CAD! Simulation von bewegten Objekten und Avataren für Film und Spiele, Computerkunst! Visualisierung von Daten (Wissenschaft, Wettervorhersage, Medizin, ) Lernen
33 III. Übersicht der Vorlesung
34 Zeitplan (vorläufig ) Übersicht (Maschinenlernen, Computervision, Computergrafik, Anwendungsbeispiele) ML: Klassische Ansätze (Statistische Formulierung des Lernproblems, Regularisierung, NN, Anwendungen) Lernbasierte Modelle für die Objekterkennung im Gehirn (Komponentenbasierte und ansichtsbasierte Enkodierung, Neuronale Modelle, eperimentelle Resultate) Statistische Lerntheorie und Supportvektor-Maschinen (Kapazitätsmasse, RKHS, Quadratische Programmierung, Anwendungen) Unüberwachtes Lernen (PCA, NMF, ICA, Lernen von Mannigfaltigkeiten, Anwendungen) Morphing und Appearance-Modelle (Linearkombination von Ansichten, Korrespondenz, AAM, Bildsynthese, Anwendungen)
35 Zeitplan (Forts.) fällt aus - Motion Capture und Trajektorieneditierung (Aktive und passive Aufnahmesysteme, Vorverarbeitung, Anpassung kinematischer Modelle, Keyframing, Anwendungsbeispiele) Lernbasierte Repräsentation von Bewegungen für die Computeranimation (Interpolationsmethoden, DTW, STMMs, Einbettung von Randbedingungen, Trajektorienleika, Anwendungen) Lernbasierte Erkennung kompleer Bewegungen im Gehirn (Dorsaler Verarbeitungspfad, Biologische Bewegung, Modelle, Prädiktionen und eperimentelle Testung) - Weihnachtsferien -
36 Zeitplan (Forts.) Grundlagen Bayescher Methoden (Bayes-Theorem, Maimum Likelihood Schätzung, EM, Miture of Eperts, Anwendungen) Prädiktive Filtermethoden (Kalman-Filter, CONDENSATION, Importance-Sampling, Anwendungen) Bayesche Netzwerke (Markoffsche Zufallsfelder, Sampling-Methoden, HMMs, Viterbi Algorithmus, Anwendungen) Belief-Propagation (Belief-Propagation, Variationsmethoden, Loopy BP, Anwendungen)
37 Einige Beispielanwendungen aus der Vorlesung
38 Beispiel 1: Gesichtsdetektion mit NN! Mehrere Ortsauflösungen! Normalisierung der Illumination! Hierarchiches NN! Korrektur von Bildrotationen! Detektionsrate ma. 93 % Rowley, Baluja & Kanade (1998)
39 Beispiel 2: Kategorisierung im Gehirn HMAX model Affen kategorisieren Katzen und Hunde Riesenhuber & Poggio (1998)! Viele Befunde konsistent mit hierarchischen NN Modellen! Kategorisierungsneurone im Präfrontalkorte Feedman et al. (2001)
40 Beispiel 3: Lernen von rezeptiven Feldern Kortikale rezeptive Felder Gelernte rezeptive Felder Daugman (1989) Bild Gewichte E Approimationsfehler Sparseness-Term! Linearkombination! Sparse coding! Lokalisierte RF gelernt Olshausen & Field (1996)
41 Beispiel 4: Lernen von Mannigfaltigkeiten Originaldaten! Modellierung: Abbildung R N R d N >> d! Approimation durch LC der Nachbarn Anwendungen! Gewichte übernommen! Lokale globale Ählichkeit Geschätzte Mannigfaltigkeiten Mundformraum hochdimensional niedrigdimensional Abbildung Roweis & Saul (2000) Kontinuierlicher semantischer Raum
42 Beispiel 5: Synthese von Gesichtern! 3D Laserscans von ca. 200 Gesichtern! 3D Korrespondenzberechnung! Morphable model: " Linearkombination der Korrespondenzfelder " 3D-Warping mit kombinierten 3D- Shifts Korrespondenz Beymer (1995) Blanz & Vetter (1999)
43 Beispiel 6: Synthese von Bewegungsstilen! Synthese + Analyse von Bewegungsstilen! Linearkombination von Beispielbewegungen! Rauzeitliche Korrespondenz Synthese verschiedener Skill-Level Gangstile Giese & Poggio (2000) Ilg & Giese (2002)
44 Beispiel 6: Synthese von Bewegungsstilen! Synthese + Analyse von Bewegungsstilen! Linearkombination von Beispielbewegungen! Rauzeitliche Korrespondenz! Übertreibungen von Bewegungsstilen Übertreibung: Gesichtsbewegungen Übertreibung: Gangstile Original Übertreibung Giese & Poggio (2000) Giese, Knappmeyer & Bülthoff (2002)
45 Beispiel 7: Biologische Bewegungserkennung! Wahrnehmung anhand stark verarmter Stimuli! Sensitive Neurone im sulcus temporalis superior V1 Neural Model Gabor filters OF Estimation V1/2 MT! Neuronale Mechanismen evtl. ähnlich wie bei der Objekterkennung V2 V4 Bar detectors Comple OF Detectors M(S)T KO IT STS View-tuned neurons OF pattern neurons STS t 1 t 2 t 3 t 1 t 2 t 3 Bobick (1997) + Neural Dynamics STS F5? Giese & Poggio (2002)
46 Beispiel 8: 3D-Struktur aus Video! Nichtrigide 3D-Struktur etrahiert aus Videosequenzen! Tensor-Faktorisierung! Zusatzbedingungen: Rang- und Normbeschränkungen! Kleine Deformation angenommen! Lösung durch SVD! Optischer Fluss in niedrigdimensionalem Unterraum 3D-Position von Oberflächenelementen kann bestimmt werden Brand (2001)
47 Beispiel 9: Superresolution Algorithmus Pielreplikation Markoff-Netzwerk high resolution Original Splineinterpolation (kub.) low resolution! Optimierung: Loopy Beliefpropagation Superresolution (lernbas.) Freeman, Jones & Pastor (2002)
48 Beispiel 10: Photorealistische Avatare! Etrem realistisch ( Touringtest )! Automatische Übersetzung von Phonemen (Sprache) in Viseme (Computeranimation)! 5-8 s Video reichen für Training! Nur Mundregion animiert! Algorithmus: 2D Morphing Modelle für Bilder und opt. Fluss! Automatische Etraktion von ~50 informativen Keyframes! Optischer Fluss berechnet durch Addition der Flusses zwischen Framepaaren
49 Beispiel 10: Photorealistische Avatare Demo
50 Wichtige Punkte (bitte behalten!)! Definition von Maschinenlernen! Klassifizierung verschiedener Lernmethoden! Gründe für Relevanz von Lernen in Computergrafik! Traue keinem Video
Maschinenlernen für Computergrafik und Multimedia
Maschinenlernen für Computergrafik und Multimedia Vorlesung 1: Einführung Martin Giese Martin.giese@uni-tuebingen.de Empfehlenswerte Bücher Blake, A. & Isard, M. (1998). Active Contours. Springer, Berlin.
MehrVorlesung 1: Einführung
Computeranimation und Lernmethoden in der Computergrafik Vorlesung 1: Einführung Martin Giese Martin.giese@uni-tuebingen.de Empfehlenswerte Bücher Parent, R. (2002). Computer Animation. Morgan Kaufmann
MehrMustererkennung und Klassifikation
Mustererkennung und Klassifikation WS 2007/2008 Fakultät Informatik Technische Informatik Prof. Dr. Matthias Franz mfranz@htwg-konstanz.de www-home.htwg-konstanz.de/~mfranz/heim.html Grundlagen Überblick
MehrVorlesung 2. Maschinenlernen: Klassische Ansätze I
Vorlesung 2 Maschinenlernen: Klassische Ansätze I Martin Giese Martin.giese@tuebingen.mpg.de Übersicht! Statistische Formulierung des überwachten Lernproblems! Einfache Klassifikatoren! Regression I. Statistiche
MehrDreidimensionales Computersehen SS 2016
Dreidimensionales Computersehen SS 2016 Folien zur Vorlesung Dr.-Ing. Simon Winkelbach www.robotik-bs.de/teaching/courses/cs Dreidimensionales Computersehen Dr.-Ing. Simon Winkelbach http://www.robotik-bs.de/teaching/courses/cs
MehrDOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING Andreas Nadolski Softwareentwickler andreas.nadolski@enpit.de Twitter: @enpit Blogs: enpit.de/blog medium.com/enpit-developer-blog 05.10.2018, DOAG Big Data
MehrDigitale Bildverarbeitung Einheit 12 3D-Modellierung
Digitale Bildverarbeitung Einheit 12 3D-Modellierung Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einen Eindruck
MehrAnwendungen der Hauptkomponentenanalyse. Volker Tresp vertreten durch Florian Steinke
Anwendungen der Hauptkomponentenanalyse Volker Tresp vertreten durch Florian Steinke 1 Dimensionsreduktion für Supervised Learning 2 Beispiel: Kaufentscheidung 3 Verbesserte Abstandsmaße durch Hauptkomponentenanalyse
MehrRingvorlesung Bildverarbeitung
Ringvorlesung Bildverarbeitung D. Schlesinger Institut für Künstliche Intelligenz, Professur Intelligente Systeme 6. Juli 2012 D. Schlesinger (Institut Ringvorlesung für Künstliche Bildverarbeitung Intelligenz,
MehrInhalt und Überblick. Visuelle Kognition Adrian Schwaninger Universität Zürich. Erkennung und Repräsentation Ansichtenbasierte Ansatze Überblick
Einleitung Visuelle Kognition Adrian Schwaninger Universität Zürich Inhalt und Überblick Repräsentation, Erkennung, Kategorisierung Traditioneller Ansatz Strukturelle Beschreibungen Ansichtenbasierte Modelle
MehrInhalt und Überblick. Visuelle Kognition WS 2001/2002 Adrian Schwaninger
Visuelle Kognition WS 2001/2002 Adrian Schwaninger Nonaccidental Properties Argumente pro Nonaccidental Properties Einleitung Inhalt und Überblick Repräsentation, Erkennung, Kategorisierung Traditioneller
MehrRidge Regression und Kernalized Support Vector Machines : Einführung und Vergleich an einem Anwendungsbeispiel
Ridge Regression und Kernalized Support Vector Machines : Einführung und Vergleich an einem Anwendungsbeispiel Dr. Dominik Grimm Probelehrveranstaltung Fakultät für Informatik und Mathematik Hochschule
MehrBewegungsplanung für den vierbeinigen Roboter AMEE. Björn Bettzüche
Bewegungsplanung für den vierbeinigen Roboter AMEE Einleitung Vergleichbare Arbeiten Zusammenfassung Referenzen Projekt AMEE SAR 4 intelligente Beine SLAM Sicheres Navigieren 4 [5] 5 Bildbasiert zu ungenau
MehrKonzepte der AI Neuronale Netze
Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale
MehrArtificial Intelligence. Was ist das? Was kann das?
Artificial Intelligence Was ist das? Was kann das? Olaf Erichsen Tech-Day Hamburg 13. Juni 2017 Sehen wir hier bereits Künstliche Intelligenz (AI)? Quelle: www.irobot.com 2017 Hierarchie der Buzzwords
MehrVorlesung Digitale Bildverarbeitung Sommersemester 2013
Vorlesung Digitale Bildverarbeitung Sommersemester 2013 Sebastian Houben (Marc Schlipsing) Institut für Neuroinformatik Inhalt Crash-Course in Machine Learning Klassifikationsverfahren Grundsätzliches
MehrInhaltsverzeichnis 1 Einleitung Mensch-Maschine-Kommunikation in der Informations- und Kommunikationstechnik Grundbegriffe der Mensch-M
1 Einleitung 1 1.1 Mensch-Maschine-Kommunikation in der Informations- und Kommunikationstechnik... 1 1.2 Grundbegriffe der Mensch-Maschine-Kommunikation... 2 1.3 Disziplinen der Mensch-Maschine-Kommunikation...
MehrVorlesung 11. Unüberwachtes Lernen II
Vorlesung 11 Unüberwachtes Lernen II Martin Giese Martin.giese@uni-tuebingen.de Übersicht Diskriminanzanalse Lernen spärlicher Repräsentationen Nichtnegative Matrifaktorisierung (NMF I. Diskriminanzanalse
MehrMaschinelles Lernen II
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Maschinelles Lernen II Niels Landwehr Organisation Vorlesung/Übung 4 SWS. Ort: 3.01.2.31. Termin: Vorlesung: Dienstag, 10:00-11:30.
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning (II) Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 25.07.2017 1 von 14 Überblick Faltungsnetze Dropout Autoencoder Generative Adversarial
MehrInhaltliche Planung für die Vorlesung
Vorlesung: Künstliche Intelligenz - Mustererkennung - P LS ES S ST ME Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte der KI, PROLOG 2) Expertensysteme
MehrWebsite. Vorlesung Statistisches Lernen. Dozenten. Termine. Einheit 1: Einführung
Website Vorlesung Statistisches Lernen Einheit 1: Einführung Dr. rer. nat. Christine Pausch Institut für Medizinische Informatik, Statistik und Epidemiologie Universität Leipzig (Aktuelle) Informationen
MehrPersonenerkennung. Harald Hauptseminarpräsentation. Harald Kirschenmann. Department Informatik. Department Informatik.
Harald Hauptseminarpräsentation Kirschenmann Personenerkennung 1 Inhaltsübersicht Motivation Grundlagen Benchmark Eigene Gesichtserkennung 2 Motivation Baustein einer Microservice Architektur Personenerkennung
MehrMaschinelles Lernen SS 2005
1 Maschinelles Lernen SS 2005 Jianwei Zhang AB TAMS FB Informatik Universität Hamburg Büro: F308 Tel.: 2430 E-mail: zhang Web: http://tams-www.informatik.uni-hamburg.de/ Sprechstunde: Do. 15:00-16:00 2
MehrImplizite Modellierung zur Objekterkennung in der Fernerkundung
Implizite Modellierung zur Objekterkennung in der Fernerkundung Mitarbeiterseminar 20.01.2011 (IPF) Fakultät für Bauingenieur-, Geo- und Umweltwissenschaften KIT Universität des Landes Baden-Württemberg
MehrVorlesung Statistisches Lernen
Vorlesung Statistisches Lernen Einheit 1: Einführung Dr. rer. nat. Christine Pausch Institut für Medizinische Informatik, Statistik und Epidemiologie Universität Leipzig WS 2014/2015 1 / 20 Organisatorisches
MehrDigitale Bildverarbeitung
Bernd Jahne Digitale Bildverarbeitung 6., überarbeitete und erweiterte Auflage Mit 248 Abbildungen und 155 Übungsaufgaben und CD-ROM Sy Springer Inhaltsverzeichnis I Grundlagen 1 Anwendungen und Werkzeuge
MehrDepartement für Mathematik und Informatik Thomas Vetter
Lebenslauf 979-985 Studium Physik und Mathematik in Ulm 989 Promotion in Biophysik 99-993 PostDoc am M.I.T. USA 993-999 Max-Planck-Institut für biol. Kybernetik Tübingen 999-00 Professor für Computer Graphik
MehrMartin Stetter WS 03/04, 2 SWS. VL: Dienstags 8:30-10 Uhr
Statistische und neuronale Lernverfahren Martin Stetter WS 03/04, 2 SWS VL: Dienstags 8:30-0 Uhr PD Dr. Martin Stetter, Siemens AG Statistische und neuronale Lernverfahren Behandelte Themen 0. Motivation
MehrBertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren
Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren Regensburg, 18.05.2017, Ulrich Haböck Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 0 Agenda Grundlagen Machine
MehrComputer Vision in autonomen Systemen
Computer Vision in autonomen Systemen Matthias O. Franz Max-Planck-Institut für biologische Kybernetik Tübingen Autonome Systeme Autonomes System (Agent): steuert selbst sein Verhalten mit eigener Sensorik
MehrEchtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Einführungsveranstaltung
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation. Literatur. Inhalt und Ziele der Vorlesung. Beispiele aus der Praxis. 2 Organisation Vorlesung/Übung + Projektarbeit.
MehrEinführung in das Maschinelle Lernen I
Einführung in das Maschinelle Lernen I Vorlesung Computerlinguistische Techniken Alexander Koller 26. Januar 2015 Maschinelles Lernen Maschinelles Lernen (Machine Learning): äußerst aktiver und für CL
MehrMaschinelles Lernen I Einführung. Uwe Reichel IPS, LMU München 22. April 2008
Maschinelles Lernen I Einführung Uwe Reichel IPS, LMU München reichelu@phonetik.uni-muenchen.de 22. April 2008 Inhalt Einführung Lernen Maschinelle Lernverfahren im Überblick Phonetische Anwendungsbeispiele
MehrInhalt und Überblick. Visuelle Kognition. Visuelle Kognition WS 2001/2002 Adrian Schwaninger
Einleitung WS 2001/2002 Adrian Schwaninger Inhalt und Überblick Repräsentation, Erkennung, Kategorisierung Traditioneller Ansatz Strukturelle Beschreibungen Ansichtenbasierte Modelle Diskussion Gesichterwahrnehmung
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation Literatur Inhalt und Ziele der Vorlesung Beispiele aus der Praxis 2 Organisation Vorlesung/Übung + Projektarbeit. 4 Semesterwochenstunden.
MehrKamerabasierte Erkennung von Fußgängern in urbanen Verkehrsszenen
Kamerabasierte Erkennung von Fußgängern in urbanen Verkehrsszenen Vortragender: Studiengang: Betreuer: Yeyi Qiu Fahrzeugtechnik Prof. Dr. rer. nat. Toralf Trautmann M. Sc. Patrick Richter Seite 01 von
MehrHauptseminar Graphische Datenverarbeitung
TECHNISCHE UNIVERSITÄT DRESDEN Hauptseminar Graphische Datenverarbeitung Prof. Stefan Gumhold und fast alle Mitarbeiter der Professur S. Gumhold, Hauptseminar GDV, SS 2013 1 Inhalt Übersicht zum Hauptseminar
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
MehrUnüberwachtes Lernen
Unüberwachtes Lernen Mustererkennung und Klassifikation, Vorlesung No. 12 M. O. Franz 17.01.2008 Übersicht 1 Hauptkomponentenanalyse 2 Nichtlineare Hauptkomponentenanalyse 3 K-Means-Clustering Übersicht
MehrVorlesung 12. Morphing und Active- Appearance-Modelle
Vorlesung Morhing und Active- Aearance-Modelle Martin Giese Martin.giese@uni-tuebingen.de Übersicht Morhing Active-Aearance-Modelle AAM I. Morhing Morhing Mohing Metamorhosis Kontinuierliche Transformation
MehrDreidimensionales Computersehen
X. Jiang, H. Bunke Dreidimensionales Computersehen Gewinnung und Analyse von Tiefenbildern Mit 137 Abbildungen und 3 Tafeln Springer Inhaltsverzeichnis 1 Einleitung 1 1.1 Bildanalyse 1 1.2 Gewinnung und
MehrVorlesung: Künstliche Intelligenz
Vorlesung: Künstliche Intelligenz - KI heute, KI morgen, KI übermorgen- D P LS G ML ES S ST SA NN ME O EA SV Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte
MehrVorlesung 11. Morphing und Active- Appearance-Modelle
Vorlesung Morhing und Active- Aearance-Modelle Martin Giese Martin.giese@tuebingen.mg.de Übersicht Morhing Active-Aearance-Modelle AAM I. Morhing Morhing Mohing Metamorhosis Kontinuierliche Transformation
MehrLineare Klassifikatoren
Lineare Klassifikatoren Mustererkennung und Klassifikation, Vorlesung No. 8 1 M. O. Franz 06.12.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Duda et al., 2001. Übersicht 1 Nächste-Nachbarn-
MehrNeuronale Neize. Eine Einfuhrung in die Neuroinfomnatik selbstorganisierender Netzwerke ADDISON-WESLEY PUBLISHING COMPANY
Helge Ritter/Thomas Marrineiz/Klaus Schulten Neuronale Neize Eine Einfuhrung in die Neuroinfomnatik selbstorganisierender Netzwerke Technische Hochschule Darmstadt FACHBEREICH INFORMATIK B! B k±ojjtlus
MehrSprachsynthese und Spracherkennung
90 Sprachsynthese und Spracherkennung von John N. Holmes Mit 51 Bildern und 69 Übungen mit Lösungshinweisen R. Oldenbourg Verlag München Wien 1991 INHALT Vorwort 11 1 Lautsprachliche Kommunikation 15 1.1
MehrMachine Learning. Dr. Bartholomäus Wissmath 3. Swiss Innovation Day
Machine Learning Dr. Bartholomäus Wissmath 3. Swiss Innovation Day Artificial Intelligence (AI) Teilgebiet der Informatik, welches sich mit der Automatisierung von intelligenten Verhalten und dem Maschinenlernen
MehrEin Vergleich von Methoden für Multi-klassen Support Vector Maschinen
Ein Vergleich von Methoden für Multi-klassen Support Vector Maschinen Einführung Auf binären Klassifikatoren beruhende Methoden One-Against-All One-Against-One DAGSVM Methoden die alle Daten zugleich betrachten
MehrJoachim Schenk Gerhard Rigoll. ~ensch-~aschine KOmn1Unikation. Gnlndlagen von sprach- und bildbasierten Benutzerschnittstellen.
Joachim Schenk Gerhard Rigoll ~ensch-~aschine KOmn1Unikation Gnlndlagen von sprach- und bildbasierten Benutzerschnittstellen ~ Springer Inhaltsverzeichnis 1 Einleitung 1.1 Mensch-Maschine-Kommunikation
MehrMultivariate Verfahren
Multivariate Verfahren Oliver Muthmann 31. Mai 2007 Gliederung 1 Einführung 2 Varianzanalyse (MANOVA) 3 Regressionsanalyse 4 Faktorenanalyse Hauptkomponentenanalyse 5 Clusteranalyse 6 Zusammenfassung Komplexe
MehrValidation Model Selection Kreuz-Validierung Handlungsanweisungen. Validation. Oktober, von 20 Validation
Validation Oktober, 2013 1 von 20 Validation Lernziele Konzepte des maschinellen Lernens Validierungsdaten Model Selection Kreuz-Validierung (Cross Validation) 2 von 20 Validation Outline 1 Validation
MehrAutomatic segmentation for dental operation planning. Diplomarbeit. Nguyen The Duy
Automatic segmentation for dental operation planning Diplomarbeit Nguyen The Duy 24.02.2012 Motivation Quelle: bestbudapestdentist.com Aufgabenstellung Segmentierung des Oberkiefers (Maxilla) Detektion
MehrAufmerksamkeit II Bewusstsein
Aufmerksamkeit II Bewusstsein VL Wahrnehmung und Aufmerksamkeit, Dipl.-Psych. S. Raisig, Humboldt Universität Berlin, WS 2008/2009 Wozu dient selektive Aufmerksamkeit? 1. Binding Problem Objekt wird von
MehrAutomatische Spracherkennung
Ernst Günter Schukat-Talamazzini Automatische Spracherkennung Grundlagen, statistische Modelle und effiziente Algorithmen Technische Universität Darmetadt FACHBEREICH INFORMATIK BIBLIOTHEK MH Invsntar-Nr.:
MehrDigitale Bildverarbeitung Einheit 12 3D-Rekonstruktion
Digitale Bildverarbeitung Einheit 12 3D-Rekonstruktion Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einen Eindruck davon
MehrUniverselles integriertes geophysikalisches Mess- und Auswerteinstrumentarium zur Charakterisierung von Problemzonen im Salinar
Universelles integriertes geophysikalisches Mess- und Auswerteinstrumentarium zur Charakterisierung von Problemzonen im Salinar Uni Leipzig, Institut für Geophysik und Geologie Projektkoordination Geoelektrik
MehrWas bisher geschah. Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch
Was bisher geschah Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch Punktoperationen (Farbtransformation) f : col1 col
MehrMaschinelles Lernen. mit und. Effizienz steigern in Massenprozessen. Jan Schinnerling. eworld 2019 Maschinelles Lernen
Maschinelles Lernen mit und Effizienz steigern in Massenprozessen Jan Schinnerling eworld 2019 Maschinelles Lernen Was ist maschinelles Lernen? 2 Grundidee: einem System durch Beispieldaten eine Fähigkeit
MehrReinforcement Learning
Reinforcement Learning 1. Allgemein Reinforcement Learning 2. Neuronales Netz als Bewertungsfunktion 3. Neuronales Netz als Reinforcement Learning Nils-Olaf Bösch 1 Allgemein Reinforcement Learning Unterschied
MehrEine Einführung in R: Hochdimensionale Daten: n << p Teil II
Eine Einführung in R: Hochdimensionale Daten: n
MehrReinforcement learning
Reinforcement learning Erfolgsgeschichten... Quelle: twitter.com/ai memes Q-Learning als Art von Reinforcement learning Paul Kahlmeyer February 5, 2019 1 Einführung 2 Q-Learning Begriffe Algorithmus 3
MehrSupport Vector Machines, Kernels
Support Vector Machines, Kernels Katja Kunze 13.01.04 19.03.2004 1 Inhalt: Grundlagen/Allgemeines Lineare Trennung/Separation - Maximum Margin Hyperplane - Soft Margin SVM Kernels Praktische Anwendungen
MehrDeep Learning Prof. Dr. E. Rahm und Mitarbeiter
Deep Learning Prof. Dr. E. Rahm und Mitarbeiter Seminar, WS 2017/18 Big Data Analyse-Pipeline Dateninte -gration/ Anreicherung Datenextraktion / Cleaning Datenbeschaffung Datenanalyse Interpretation Volume
MehrModellierung mit künstlicher Intelligenz
Samuel Kost kosts@mailbox.tu-freiberg.de Institut für Numerische Mathematik und Optimierung Modellierung mit künstlicher Intelligenz Ein Überblick über existierende Methoden des maschinellen Lernens 13.
MehrSKOPOS Webinar 22. Mai 2018
SKOPOS Webinar 22. Mai 2018 Marktforschung 2020: Künstliche Intelligenz und automatische Text Analysen? Christopher Harms, Consultant Research & Development 2 So? Terminator Exhibition: T-800 by Dick Thomas
Mehr:21 Uhr Modulbeschreibung #1290/1 Seite 1 von 5
04.12.2015 16:21 Uhr Modulbeschreibung #1290/1 Seite 1 von 5 Modulbeschreibung Maschinelles Lernen 1 Modultitel: Maschinelles Lernen 1 Machine Learning 1 URL: Leistungspunkte: 9 Sekretariat: Modulsprache:
MehrIntelligente Algorithmen Einführung in die Technologie
Intelligente Algorithmen Einführung in die Technologie Dr. KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Natürlich sprachliche
MehrTaktilsensorbasierte Steuerung von Roboterarmen zur Erstellung einer Haptischen Datenbank
Taktilsensorbasierte Steuerung von Roboterarmen zur Erstellung einer Haptischen Datenbank Matthias Schöpfer 1 Gunther Heidemann 2 Helge Ritter 1 1 {mschoepf,helge}@techfak.uni-bielefeld.de Technische Fakultät
Mehrauf einer Suche basierender problemlösender Agent (Kapitel 3) logischer Planungsagent (Kapitel 10)
11 Planen Zentrale Fragestellung: Wie kann ein Agent die Struktur eines Problems nutzen, um komplexe Aktionspläne zu konstruieren? Bisher zwei Beispiele für planende Agenten: auf einer Suche basierender
MehrSeminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung
MehrKapitel 1 - Einführung
Vorlesung Graphische Datenverarbeitung Kapitel 1 - Einführung Prof. Dr.-Ing. Wolfgang Reinhardt AGIS/INF4 http://www.agis.unibw-muenchen.de UniBw München Überblick Kap. 1: Einführung (Überblick, Begriffe,
MehrFlächen- und Volumenmessung lokaler Objekte in DICOM-Bildern und Bildfolgen
Flächen- und Volumenmessung lokaler Objekte in ICOM-Bildern und Bildfolgen Sergei Hludov, Christoph Meinel und Thomas Engel Institut für Telematik Bahnhofsstr. 30-3, 549 Trier Email: hludov@ti.fhg.de Zusammenfassung.
MehrComputational Neuroscience
Computational Neuroscience Vorlesung WS 2005/2006 Josef Ammermüller Jutta Kretzberg http://www.uni-oldenburg.de/sinnesphysiologie/ 14508.html Begriffsdefinitionen Computational Neuroscience Churchland
MehrKünstliche Intelligenz
1. Juni, 2017 Künstliche Intelligenz Stand der Forschung, Aktuelle Probleme & Herausforderungen Prof. Dr. Roland Kwitt Fachbereich Computerwissenschaften Universität Salzburg Übersicht Begrifflichkeiten
MehrOptimal-trennende Hyperebenen und die Support Vector Machine. Volker Tresp
Optimal-trennende Hyperebenen und die Support Vector Machine Volker Tresp 1 (Vapnik s) Optimal-trennende Hyperebenen (Optimal Separating Hyperplanes) Wir betrachten wieder einen linearen Klassifikator
MehrMustererkennung: Neuronale Netze. D. Schlesinger ()Mustererkennung: Neuronale Netze 1 / 12
Mustererkennung: Neuronale Netze D. Schlesinger ()Mustererkennung: Neuronale Netze 1 / 12 Feed-Forward Netze y 1 y 2 y m...... x 1 x 2 x n Output Schicht i max... Zwischenschicht i... Zwischenschicht 1
MehrClustering. Clustering:
Clustering Clustering: Gruppierung und Einteilung einer Datenmenge nach ähnlichen Merkmalen Unüberwachte Klassifizierung (Neuronale Netze- Terminologie) Distanzkriterium: Ein Datenvektor ist zu anderen
MehrVorlesung 10. Unüberwachtes Lernen II
Vorlesung 10 Unüberwachtes Lernen II Martin Giese Martin.giese@tuebingen.mpg.de Übersicht Diskriminanzanalyse Lernen spärlicher Repräsentationen Nichtnegative Matrifaktorisierung Independent Component
MehrSegmentierung von Gesten
Segmentierung von Gesten Anwendungen 1 Johann Heitsch 1 Motivation Maus & Tastatur 2 Motivation Single- / Multitouch 3 Motivation Interaktion mit großen Displays 4 Hochschule für Angewandte Wissenschaften
MehrSeminar Kognitive Robotik. Interne Modelle I Vorwärtsmodelle Vortragender: Rüdiger Timpe
Seminar Kognitive Robotik Interne Modelle I Vortragender: Rüdiger Timpe Quellen Miall/Wolpert: Forward Models for Physiological Motor Control (1996) Blakemore/Wolpert/Frith: Why can't you tickle yourself?
MehrVorlesung Maschinelles Lernen
Vorlesung Maschinelles Lernen Stützvektormethode Katharina Morik LS 8 Informatik Technische Universität Dortmund 12.11.2013 1 von 39 Gliederung 1 Hinführungen zur SVM 2 Maximum Margin Methode Lagrange-Optimierung
MehrKünstliche Neuronale Netze
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Künstliche Neuronale Netze Hauptseminar Martin Knöfel Dresden, 16.11.2017 Gliederung
MehrWir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs)
6. Neuronale Netze Motivation Wir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs) Abstrakt betrachtet sind alle diese
MehrINTEGER Visuelle Entscheidungsunterstützung bei der Auswertung von Daten aus sozialen Netzwerken
INTEGER Visuelle Entscheidungsunterstützung bei der Auswertung von Daten aus sozialen Netzwerken BMBF-Innovationsforum Zivile Sicherheit Berlin Megatrends verändern das Arbeitsumfeld für Analysten (1/2)
MehrKünstliche Intelligenz im Maschinen- und Anlagenbau Heilsbringer oder Hypebringer?
ASQF Automation Day 2018 - Predictive Analytics Künstliche Intelligenz im Maschinen- und Anlagenbau Heilsbringer oder Hypebringer? Vasilij Baumann Co-Founder/Co-CEO vasilij.baumann@instrunext.com +49 931
MehrNeuronale Codierung und Mustererkennung
Neuronale Codierung und Mustererkennung Frühe vs. späte Stadien der neuronalen Objekterkennung Bottom-up (stimulusgesteuerte) vs. Top-down (konzeptuell beeinflusste) Prozesse Ein Beispiel für Top-down
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
MehrÜberblick. Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung
Grundlagen Überblick Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung Klassifikation bei bekannter Wahrscheinlichkeitsverteilung Entscheidungstheorie Bayes-Klassifikator
MehrDer Sprung in die Zukunft! Einführung in neuronale Netzwerke
Der Sprung in die Zukunft! Einführung in neuronale Netzwerke Inhalt 1. Warum auf einmal doch? 2. Welche Einsatzgebiete gibt es? 3. Was sind neuronale Netze und wie funktionieren sie? 4. Wie lernen neuronale
MehrAnalyse komplexer Szenen mit Hilfe von Convolutional Neural Networks
Analyse komplexer Szenen mit Hilfe von Convolutional Anwendungen 1 Vitalij Stepanov HAW-Hamburg 24 November 2011 2 Inhalt Motivation Alternativen Problemstellung Anforderungen Lösungsansätze Zielsetzung
MehrMultivariate Pattern Analysis. Jan Mehnert, Christoph Korn
Multivariate Pattern Analysis Jan Mehnert, Christoph Korn Übersicht 1. Motivation 2. Features 3. Klassifizierung 4. Statistik 5. Annahmen & Design 6. Similarity 7. Beispiel Grenzen & Probleme der klassischen
MehrEinführung R. Neubecker, WS 2018 / 2019
Mustererkennung Einführung R. Neubecker, WS 2018 / 2019 1 Übersicht Hyperebenen-Mathematik Anmerkungen Zusammenfassung Mustererkennung (Pattern recognition) Mustererkennung ist die Fähigkeit, in einer
MehrÜbersicht über die Themen
Übersicht über die Themen 1. Beschreibung von natürlichem Terrain, insbes. unter Wasser 2. Handgestenerkennung für mobile Augmented Reality (AR) Anwendungen 3. Deep Learning im Bereich Gesichtswiedererkennung
MehrNavigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform. Thorsten Jost INF-M2 AW1 Sommersemester
Navigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform Thorsten Jost INF-M2 AW1 Sommersemester 2008 Agenda Motivation Feature Detection Beispiele Posenbestimmung in Räumen
MehrVorlesung Maschinelles Lernen
Vorlesung Maschinelles Lernen Stützvektormethode Katharina Morik LS 8 Informatik 8.11.2011 1 von 38 Gliederung 1 2 Lagrange-Optimierung 2 von 38 Übersicht über die Stützvektormethode (SVM) Eigenschaften
MehrNeue Trends aus dem maschinellen Lernen in Photogrammetrie und Fernerkundung. Jan Dirk Wegner Photogrammetry and Remote Sensing, ETH Zürich
Neue Trends aus dem maschinellen Lernen in Photogrammetrie und Fernerkundung Jan Dirk Wegner Photogrammetry and Remote Sensing, ETH Zürich 1 Worum geht es? 2 Worum geht es? Jolanda Jan Bilderbuch 3 Worum
MehrVisuelle Bildsuche und Bildnavigation. Prof. Dr. Kai Uwe Barthel
Visuelle Bildsuche und Bildnavigation Prof. Dr. Kai Uwe Barthel Übersicht Probleme der Bildsuche Textbasierte Bildsuche Visuelle (Low-Level-)Bildsuche Fusion der Suchprinzipien Automatisches Bildverstehen
MehrEinführung i.d. Wissensverarbeitung
Einführung in die Wissensverarbeitung 2 VO 708.560 + 1 UE 442.072 SS 2012 Institut für Signalverarbeitung und Sprachkommunikation TU Graz Inffeldgasse 12/1 www.spsc.tugraz.at Institut für Grundlagen der
Mehr