Erkennung von Fußgängern
|
|
- Gottlob Ziegler
- vor 6 Jahren
- Abrufe
Transkript
1 Erkennung von Fußgängern
2 Sensoren Radar Laserscanner Kameras sichtbares Spektrum Infrarot
3 Verwandte Forschungsgebiete Automatische Überwachung oft feste Kamera Wiedererkennung von Personen Interesse an Aktivitäten Multimedia keine Echtzeitanforderung grafische Präzision Interesse an Haltung
4 Was im Bild ist ein Fußgänger?
5 Zwei Ansätze region of interest + Klassifikation Template-basierte Suche im ganzen Bildraum
6 ROI + Klassifikation
7 ROI+Klassifikation region of interest (ROI) Wie findet man ROIs? IR-Kamera Bild Segmentierer Zusammenhangskomponenten ROI Kamera Kamera Bild Bild Stereoanalyse disparity map Segmentierer Zusammenhangskomponenten ROI
8 ROI+Klassifikation Stereoanalyse Grauwert in der disparity map» horizontaler Abstand der beiden Abbildungen eines Merkmals»Tiefe des Merkmals im Raum Verschiedene Algorithmen für Korrespondenzanalyse
9 ROI+Klassifikation Von ROI zum Featurevektor Schritte vor der Klassifikation ROI Selektion & Trennung nach Proportion ROI Bildausschnitt Auswahl Kamerabild Vorverarbeitung abhängig vom Klassifikator (Kantenerkennung, Normalisierung, Skalierung, etc.) Featurevektor v 2R n
10 ROI+Klassifikation Dimensionsreduktion Probleme hochdimensionaler Merkmalsräume: curse of dimensionality Die benötigte Trainingsmenge für einen Klassifikator wächst exponentiell mit der Anzahl der Dimensionen des Merkmalsraums. Zeit- und Speicherkomplexität der Klassifikatoren (z.b. Neuronales Netz) Overfitting Featurevektor v 2R n Dimensionsreduktion (z.b. PCA) Featurevektor w 2R n-δ Beispielmenge
11 ROI+Klassifikation Klassifikation Klassifikatoren berechnen Aufteilungen des Merkmalsraums in Gebiete, die den einzelnen Klassen entsprechen. Hier zwei Klassen: Fußgänger / kein Fußgänger. Featurevektor Klassifikator (Support Vector Machine, Neuronales Netz, Radial Basis Functions, etc.) Konfidenz c Auswertung Trainingsmenge Fußgänger weitere Systeme kein Fußgänger
12 Nutzung der Zeit
13 ROI+Klassifikation Probleme Probleme: Objekte veschwinden spontan bei Versagen des Segmentierers oder falsch negativer Klassifikation einer ROI. Objekte erscheinen spontan bei falsch positiver Klassifikation einer ROI. Nutzung der Zeit zur Stabilisierung der Erkennungsleistung.
14 ROI+Klassifikation Zeit zur Stabilisierung Tracking: Zuordnung von ROIs in aufeinander folgenden Bildern zu einem Objekt. Kalman-Filter: Vorhersage zukünftiger Positionen anhand von aktueller Position und Bewegungsmodell. t+1 t+2 t t+1 t+2
15 ROI+Klassifikation Zeit zur Stabilisierung Kalman-Filter ermöglicht zeitlich stabile Objektverfolgung trotz Ausfalls einzelner Frames. t t+1 t+1 t+2 t+2
16 ROI+Klassifikation Zeit zur Stabilisierung Objekte veschwinden spontan bei Versagen des Segmentierers oder falsch negativer Klassifikation einer ROI. Lösche ein Objekt aus dem Weltbild nur, wenn du es n Frames lang nicht mehr gesehen / positiv klassifiziert hast. Objekte erscheinen spontan bei falsch positiver Klassifikation einer ROI. Füge ein Objekt nur dann dem Weltbild hinzu, wenn du es n mal positiv klassifiziert hast. Voraussetzung: Objekt über mehrere Frames verfolgen können.
17 ROI+Klassifikation Zeit zur Klassifikation Nutzung von zeitabhängigen Merkmalen zur Klassifikation, z.b. bei Wöhler et al. 98. Die untere Hälfte der ROI enthält die sich bewegenden Beine.
18 ROI+Klassifikation Zeit zur Klassifikation Ein Time Delay Neural Network (TDNN), das auf Erkennung von Mustern in der Zeit spezialisiert ist, wird als Klassifikator verwendet. t t 1 t 2 t n Featurevektoren... Time Delay Neural Network Konfidenz c
19 Template-Suche
20 Template-Suche Naiver Ansatz Naive Template-Suche: Korrelation Template K, m n Pixel Bild I, Pixelwerte von K und I 2 [0,1] Korrelation an Stelle x,y: c x,y =1 bei exakter Übereinstimmung Teuer: An jeder Position, für jedes Template!
21 Template-Suche Chamfer-System, Gavrila 98 Gavrila, 1998 (Daimler Chrysler) Erster Schritt: Vorverarbeitung Kamera Bild Vorverarbeitung Feature-Bild
22 Template-Suche Distanz-Transformation Ansatz zum Problem An jeder Position Binäres Template, binäres Feature-Bild. D x,y = Distanz von I x,y zum nächstgelegenen Pixel mit Farbwert 1 in I
23 Template-Suche Distanz-Transformation Korrelation mit DT-Bild ist ein kontinuierliches Ähnlichkeitsmaß Generalisierung der Templates Korrelation nicht an jeder Stelle nötig. Zeitersparnis durch groberes Suchraster möglich Bild Bildverarbeitung z.b. Kantenerkennung Binarisierung Featurebild Distanztransformation Template Korrelation
24 Template-Suche Template-Hierarchie Ansatz zum Problem Für jedes Template Template-Hierarchie mit Baumstruktur: Gruppen ähnlicher Templates werden durch Prototypen auf höheren Baumebenen repräsentiert. Aufbau der Hierarchie: bottom up k-means-clustering auf jeder Ebene
25 Template-Suche Template-Hierarchie Algorithmus: Suche nach den Templates der obersten Ebene auf dem DT- Bild mit grobem Suchraster und niedrigem Schwellenwert θ für die Korrelation c x,y. An Stellen mit c x,y >θ für Template T: Suche rekursiv in der Umgebung von (x,y) nach den Kindern von T mit feinerem Suchraster und höherem Schwellenwert. )Reduktion der Suchstellen und der zu suchenden Templates
26 Template-Suche Optimierungen Präzisierung des Ähnlichkeitsmaßes zwischen Templates und Bildausschnitten durch Verwendung verschiedener Feature-Bilder. Eine Variante der Template-Hierarchie für jedes Feature. Ähnlichkeiten der einzelnen Features eines Templates werden für jede Stelle aufsummiert. Features z. B.: X-Gradient, Y-Gradient,...
27 Ergebnisse
28 Wie gut funktioniert es? Typische publizierte Erkennungsraten eines Ansatzes: Um 85% bei 1,5% bis 3% falsch positiven. Trainingsmengen: Gavrila99: 1000 Liang00: 8400 Wöhler98: 3900 positiv, 4400 negativ Gavrila all-in-one: 2000 positiv, 2000 negativ Ergebnisse: Gavrila99: 75% - bis 85% pro Frame bei max 2 falsch positiven Liang00: 85% pro Frame bei 3% falsch positiven Wöhler98: 85% pro Frame bei 1,6% falsch positiven Gavrila all-in-one: 94% bei 3% falsch positiven
29 Schwierigkeiten Schönwetter-Vision : Keine Daten zu schlechten Licht- und Witterungsbedingungen. Multisensor-Systeme (IR, Laserscanner) Probleme bei Überdeckungen 3D-Ansätze, Modellannahmen (Proportion) Zerfallen von ROIs beim 3D-Ansatz Gruppierung Geringer Farb- oder Texturkontrast Multisensor-Systeme Irreführende Formen (Fußgänger im Baum) Bewegungsanalyse, Weltwissen Unerwartete Formen & Bewegungen (Rollstuhlfahrer, Lastenträger, etc.)
30 Literatur Fußgängererkennung Gavrila et al., Real-time Object Detection for Smart Vehicles, 1999 Gavrila et al., Multi-feature Hierarchical Template Matching Using Distance Transforms, 1998 Franke et al., Autonomous Driving Approaches Downtown, 1998 Franke et al., From Door to Door - Principles and Applications of Computer Vision for Driver Assistant Systems, 2001 Shashua et al., Pedestrian Detection for Driving Assistance Systems [...], 2004 Grubb et al., 3D Vision Sensing for Improved Pedestian Safety, 2004 Broggi et al., A Multi-resolution Approach for Infrared Vision-based Pedestrian Detection, 2004 Scheunert et. al, Multisensor Based Tracking Of Pedestrians, 2004 Wöhler, A Time Delay Neural Network Algorithm for Real-Time Pedestrian Recognition, 1998 Grundlagen Welch et al., An Introduction to the Kalman Filter Kirkpatrik, Optimization by Simulated Annealing, 1998 Müller et al., An Introduction to Kernel-based Learning Algorithms, 2001 Burges, A Tutorial on Support Vector Machines for Pattern Recognition, 1998 Hearst (Hrsg.), Trends and Controversies: Support Vector Machines (IEEE Intelligent Systems) Looking at People Gavrila, The Visual Analysis of Human Movement: A Survey, 1999 Wren et al, Pedestrian Detection Using Wavelet Templates, 1997 Lipton et al., Realtime Human Motion Analysis By Image Skeletonization, 1998 Haritaoglu, W4: Realtime Surveillance of People and their Activities, 2000
31 Danke fürs Zuhören!
32 Exkurs: Methoden PCA, SVM, TDNN
33 Hauptkomponentenanalyse Ziel: Dimensionsreduktion mit möglichst geringem Informationsverlust y Varianz 2. Hauptkomponente y-varianz x Varianz 1. Hauptkomponente
34 Support Vector Machines d d SVMs sind lineare Klassifikatoren. Trennebene hat denselben Abstand d zu den einander am nächsten liegenden Datenpunkten der verschiedenen Klassen (den sog. support vectors) Berechnung der Trennebene ist ein (konvexes, quadratisches) Optimierungsproblem.
35 Support Vector Machines Kernel Trick Daten, die in einem niedrig-dimensionalen Raum R n nicht linear trennbar sind, können in einem höherdimensionalen Raum H linear trennbar sein. Annahme: Es gibt eine Funktion Φ: R n! H. Im SVM-Algorithmus kommen Datenvektoren nur innerhalb von Skalarprodukten vor: x y. Rechnen wir in H, ersetzen wir x y durch Φ(x) Φ(y). Es gibt Räume, für die Φ(x) Φ(y) durch eine einfache Funktion K(x,y), den Kernel, berechnet werden kann. Kennt man K, so muss man Φ weder explizit kennen noch berechnen. ( Kernel Trick )
36 Time Delay Neural Networks Erweiterung von klassischen NN um raum-zeitlich beschränkte rezeptive Felder. Schicht 3 Äste der 2. Schicht Klasse 1 Klasse 2 Schicht 4 - Ausgabe y t Schicht 2 Schicht 1 - Eingabe x rezeptives Feld (Ausschnitt aus Raum und Zeit)
37 Time Delay Neural Networks Jedes Schicht-2-Neuron fasst ein raum-zeitliches rezeptives Feld der Eingabeschicht zusammen. Innerhalb eines Astes haben alle Eingabeleitungen, die von der selben relativen Position eines rezeptiven Feldes ausgehen, identische Gewichte ( shared weights principle ). Jeder Schicht-2-Ast erhält alle rezeptiven Felder als Eingabe. Jeder Ast spezialisiert sich auf ein Merkmal der Bildsequenz. Jedes Schicht-3-Neuron integriert ein und denselben Zeitausschnitt aus allen Ästen der 2. Schicht. Für jede Klasse gibt es eine Folge von Schicht-3-Neuronen, die sich vollständig über den erfassten Zeitraum erstreckt. Die Ausgabeschicht summiert für jede Klasse die entsprechende Schicht-3-Neuronenfolge. Ein TDNN wird mit Backpropagation trainiert.
Bildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
MehrSupport Vector Machines (SVM)
Universität Ulm 12. Juni 2007 Inhalt 1 2 3 Grundlegende Idee Der Kern-Trick 4 5 Multi-Klassen-Einteilung Vor- und Nachteile der SVM 1 2 3 Grundlegende Idee Der Kern-Trick 4 5 Multi-Klassen-Einteilung Vor-
MehrFunktionslernen. 5. Klassifikation. 5.6 Support Vector Maschines (SVM) Reale Beispiele. Beispiel: Funktionenlernen
5. Klassifikation 5.6 Support Vector Maschines (SVM) übernommen von Stefan Rüping, Katharina Morik, Universität Dortmund Vorlesung Maschinelles Lernen und Data Mining, WS 2002/03 und Katharina Morik, Claus
MehrSEMINAR AUTOMATISCHE GESICHTSERKENNUNG
SEMINAR AUTOMATISCHE GESICHTSERKENNUNG OBERSEMINAR AUTOMATISCHE ANALYSE VON GESICHTSAUSDRÜCKEN Organisation, Überblick, Themen Überblick heutige Veranstaltung 1. Organisatorisches 2. Überblick über beide
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
MehrKlassifikation und Ähnlichkeitssuche
Klassifikation und Ähnlichkeitssuche Vorlesung XIII Allgemeines Ziel Rationale Zusammenfassung von Molekülen in Gruppen auf der Basis bestimmter Eigenschaften Auswahl von repräsentativen Molekülen Strukturell
MehrPrincipal Component Analysis (PCA)
Principal Component Analysis (PCA) Motivation: Klassifikation mit der PCA Berechnung der Hauptkomponenten Theoretische Hintergründe Anwendungsbeispiel: Klassifikation von Gesichtern Weiterführende Bemerkungen
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Objekterkennung
INTELLIGENTE DATENANALYSE IN MATLAB Objekterkennung Objekterkennung Problemstellung Gegeben: Ein Bild. Fragestellungen: Klassifikationsproblem Ist ein bestimmtes Objekt (z.b. Flugzeug) auf dem Bild? Welches
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
MehrHauptseminar Machine Learning: Support Vector Machines, Kernels. Katja Kunze
Hauptseminar Machine Learning: Support Vector Machines, Kernels Katja Kunze 13.01.2004 Inhaltsverzeichnis 1 Einführung 2 1.1 Grundlagen............................ 2 2 Lineare Seperation 5 2.1 Maximum
MehrEinführung in Support Vector Machines (SVMs)
Einführung in (SVM) Januar 31, 2011 Einführung in (SVMs) Table of contents Motivation Einführung in (SVMs) Outline Motivation Vektorrepräsentation Klassifikation Motivation Einführung in (SVMs) Vektorrepräsentation
MehrNeue Ansätze für Mustererkennung und automatisches Lernen
Z Y X Neue Ansätze für Mustererkennung und automatisches Lernen Vortrag im Rahmen des 2. Technologieforums Bildverarbeitung am 03./04. November 2015 Johannes Zügner STEMMER IMAGING GmbH, Puchheim GLIEDERUNG
MehrErkennung und Klassifizierung von Verkehrszeichen. Fabian Ruff & David Latotzky
Erkennung und Klassifizierung von Verkehrszeichen Fabian Ruff & David Latotzky 1 Motivation Fahrassistenzsysteme mit Verkehrszeichenerkennung könnten: Vor gefährlichen Situationen warnen (z.b. Geschwindigkeitsbegrenzung
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
MehrNeuronale Netze. Anna Wallner. 15. Mai 2007
5. Mai 2007 Inhalt : Motivation Grundlagen Beispiel: XOR Netze mit einer verdeckten Schicht Anpassung des Netzes mit Backpropagation Probleme Beispiel: Klassifikation handgeschriebener Ziffern Rekurrente
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
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
MehrKünstliche neuronale Netze
Künstliche neuronale Netze Eigenschaften neuronaler Netze: hohe Arbeitsgeschwindigkeit durch Parallelität, Funktionsfähigkeit auch nach Ausfall von Teilen des Netzes, Lernfähigkeit, Möglichkeit zur Generalisierung
MehrComputer Vision: AdaBoost. D. Schlesinger () Computer Vision: AdaBoost 1 / 10
Computer Vision: AdaBoost D. Schlesinger () Computer Vision: AdaBoost 1 / 10 Idee Gegeben sei eine Menge schwacher (einfacher, schlechter) Klassifikatoren Man bilde einen guten durch eine geschickte Kombination
MehrBildverarbeitung in der Qualitätskontrolle. Sebastian Zambal LEADING INNOVATIONS
Bildverarbeitung in der Qualitätskontrolle Sebastian Zambal LEADING INNOVATIONS Überblick Profactor Grundlagen Bildverarbeitung HW, SW, Methoden Inspektion Gussteilen Inspektion CFK, GFK Projekte EMVA-Studie:
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
MehrWie können Computer lernen?
Wie können Computer lernen? Ringvorlesung Perspektiven der Informatik, 18.2.2008 Prof. Jun. Matthias Hein Department of Computer Science, Saarland University, Saarbrücken, Germany Inferenz I Wie lernen
MehrVom Zeichen zur Schrift Mit Mustererkennung zur automatisierten Schreiberhanderkennung in mittelalterlichen und frühneuzeitlichen Handschriften
Platzhalter für Bild, Bild auf Titelfolie hinter das Logo einsetzen Vom Zeichen zur Schrift Mit Mustererkennung zur automatisierten Schreiberhanderkennung in mittelalterlichen und frühneuzeitlichen Handschriften
MehrSupport Vector Machines (SVM)
Seminar Statistische Lerntheorie und ihre Anwendungen Support Vector Machines (SVM) Jasmin Fischer 12. Juni 2007 Inhaltsverzeichnis Seite 1 Inhaltsverzeichnis 1 Grundlagen 2 2 Lineare Trennung 3 2.1 Aufstellung
MehrEigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection
Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection Peter N. Belhumeur, João P. Hespanha, David J. Kriegman IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.
MehrData Mining - Wiederholung
Data Mining - Wiederholung Norbert Fuhr 18. Januar 2006 Problemstellungen Problemstellungen Daten vs. Information Def. Data Mining Arten von strukturellen Beschreibungen Regeln (Klassifikation, Assoziations-)
MehrTextmining Klassifikation von Texten Teil 2: Im Vektorraummodell
Textmining Klassifikation von Texten Teil 2: Im Vektorraummodell Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten Teil
MehrAutomatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten
Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten Dipl.-Ing. Daniel Tantinger Fraunhofer Institut für Integrierte Schaltungen IIS, Erlangen, Deutschland Automatische Erkennung
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
MehrGrundlagen: Bildbearbeitung / Objekterkennung. Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen
Grundlagen: Bildbearbeitung / Objekterkennung Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen Videoerkennung! Warum? Live-Übertragung von Veranstaltungen Überwachung
MehrTracking. Einführung. Allgemeiner Systemaufbau. Objektlokalisation: Template-Matching. Prädiktionsfilter: Kalman
Tracking Einführung Allgemeiner Systemaufbau Objektlokalisation: Template-Matching Prädiktionsfilter: Kalman Birgit Möller & Denis Williams AG Bioinformatik & Mustererkennung Institut für Informatik Martin-Luther-Universität
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
MehrEntwicklung einer KI für Skat. Hauptseminar Erwin Lang
Entwicklung einer KI für Skat Hauptseminar Erwin Lang Inhalt Skat Forschung Eigene Arbeit Risikoanalyse Skat Entwickelte sich Anfang des 19. Jahrhunderts Kartenspiel mit Blatt aus 32 Karten 3 Spieler Trick-taking
MehrEinleitung. Komplexe Anfragen. Suche ist teuer. VA-File Verfeinerungen. A0-Algo. GeVAS. Schluß. Folie 2. Einleitung. Suche ist teuer.
Anwendung Input: Query-Bild, Ergebnis: Menge ähnlicher Bilder. Kapitel 8: Ähnlichkeitsanfragen und ihre effiziente Evaluierung Wie zu finden? Corbis, NASA: EOS Bilddatenbank Folie Folie 2 Ähnlichkeitssuche
MehrMULTI-CLASS PROTEIN CLASSIFICATION USING ADAPTIVE CODES
1 MULTI-CLASS PROTEIN CLASSIFICATION USING ADAPTIVE CODES Jérôme Kirchhoff Seminar maschinelles Lernen Einleitung 2 Motivation Ohne Proteine kein Stoffwechsel keine Zellteilung Verstehen der Proteine kein
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
MehrBild-Erkennung & -Interpretation
Kapitel I Bild-Erkennung & -Interpretation FH Aachen / Jülich, FB 9 Prof. Dr. rer.nat. Walter Hillen (Dig Img I) 1 Einführung Schritte zur Bilderkennung und Interpretation: Bild-Erfassung Vorverarbeitung
MehrOne-class Support Vector Machines
One-class Support Vector Machines Seminar Wissensbasierte Systeme Dietrich Derksen 3. Januar 204 Motivation One-class Support Vector Machines: Detektion von Ausreißern (Systemfehlererkennung) Klassifikation
MehrKünstliche Neuronale Netze
Inhalt (Biologische) Neuronale Netze Schwellenwertelemente Allgemein Neuronale Netze Mehrschichtiges Perzeptron Weitere Arten Neuronaler Netze 2 Neuronale Netze Bestehend aus vielen Neuronen(menschliches
MehrSeminar im Grundstudium: Motion-Tracking in der Robotik
Seminar im Grundstudium SS2007 Seminar im Grundstudium: Motion-Tracking in der Robotik Lehrstuhl für Hardware-Software-Co-Design Universität Erlangen-Nürnberg stefan.wildermann@informatik.uni-erlangen.de
MehrComputer Vision: SVM-Anwendungsbeispiele, Generalisierbarkeit
Computer Vision: SVM-Anwendungsbeispiele, Generalisierbarkeit D. Schlesinger TUD/INF/KI/IS Visual Categorization with Bags of Keypoints Recognizing Human Actions: A Local SVM Approach Shape Matching and
Mehr(hoffentlich kurze) Einführung: Neuronale Netze. Dipl.-Inform. Martin Lösch. (0721) Dipl.-Inform.
(hoffentlich kurze) Einführung: martin.loesch@kit.edu (0721) 608 45944 Überblick Einführung Perzeptron Multi-layer Feedforward Neural Network MLNN in der Anwendung 2 EINFÜHRUNG 3 Gehirn des Menschen Vorbild
Mehr1 Einleitung Definitionen, Begriffe Grundsätzliche Vorgehensweise... 3
Inhaltsverzeichnis 1 Einleitung 1 1.1 Definitionen, Begriffe........................... 1 1.2 Grundsätzliche Vorgehensweise.................... 3 2 Intuitive Klassifikation 6 2.1 Abstandsmessung zur Klassifikation..................
MehrPraktische Optimierung
Wintersemester 27/8 Praktische Optimierung (Vorlesung) Prof. Dr. Günter Rudolph Fakultät für Informatik Lehrstuhl für Algorithm Engineering Metamodellierung Inhalt Multilayer-Perceptron (MLP) Radiale Basisfunktionsnetze
MehrStatistical Learning
Statistical Learning M Gruber KW 45 Rev 1 1 Support Vector Machines Definition 1 (Lineare Trennbarkeit) Eine Menge Ü µ Ý µ Ü Æµ Ý Æµ R ist linear trennbar, wenn mindestens ein Wertepaar Û R µ existiert
MehrMedienforensik - Manipulationserkennung. Multimedia Sicherheit, Martin Steinebach
Medienforensik - Manipulationserkennung - Ballistik Image Forensics Forensische Anwendungen im Bildbereich sind mehrfach belegt Optimierung von Bildern, die z.b. mit Überwachungskameras aufgenommen wurden
Mehr6.4 Neuronale Netze zur Verarbeitung von Zeitreihen
6.4 Neuronale Netze zur Verarbeitung von Zeitreihen Aufgabe: Erlernen einer Zeitreihe x(t + 1) = f(x(t), x(t 1), x(t 2),...) Idee: Verzögerungskette am Eingang eines neuronalen Netzwerks, z.b. eines m-h-1
MehrProf. J. Zhang Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 20. Januar 2004
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 6. Bildverarbeitung..........................415 Aufbau
MehrCompanion Technologie
Companion Technologie Emotionen erkennen, verstehen und kai.bielenberg@haw-hamburg.de Agenda 1. Einleitung a. Was war nochmal Companion Technologie? b. Teilbereiche c. Warum Emotionen? 2. Ansätze a. Facial
MehrMethoden zur Cluster - Analyse
Kapitel 4 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig Machine learning in bioinformatics
MehrBlendaX Grundlagen der Computergrafik
BlendaX Grundlagen der Computergrafik Beleuchtungsmodelle (Reflection Models) 16.11.2007 BlendaX Grundlagen der Computergrafik 1 Rendering von Polygonen Der Renderingprozess lässt sich grob in folgende
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2016
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 1 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Übungsblatt 3 Maschinelles Lernen und Klassifikation Abgabe online
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
Mehrkurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.
kurze Wiederholung der letzten Stunde: Neuronale Netze martin.loesch@kit.edu (0721) 608 45944 Labor Wissensrepräsentation Aufgaben der letzten Stunde Übersicht Neuronale Netze Motivation Perzeptron Multilayer
MehrHannah Wester Juan Jose Gonzalez
Neuronale Netze Supervised Learning Proseminar Kognitive Robotik (SS12) Hannah Wester Juan Jose Gonzalez Kurze Einführung Warum braucht man Neuronale Netze und insbesondere Supervised Learning? Das Perzeptron
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
MehrSeminar: Multi-Core Architectures and Programming. Viola-Jones Gesichtsdetektor
Seminar: Multi-Core Architectures and Programming Viola-Jones Gesichtsdetektor Hardware-Software-Co-Design Universität Erlangen-Nürnberg 1 Übersicht Einleitung Viola-Jones Gesichtsdetektor Aufbau Blockmerkmale
MehrBildverarbeitung: Filterung. D. Schlesinger () Bildverarbeitung: Filterung 1 / 17
Bildverarbeitung: Filterung D. Schlesinger () Bildverarbeitung: Filterung 1 / 17 Allgemeines Klassische Anwendung: Entrauschung (Fast) jeder Filter basiert auf einem Modell (Annahme): Signal + Rauschen
Mehrk-nächste-nachbarn-schätzung
k-nächste-nachbarn-schätzung Mustererkennung und Klassifikation, Vorlesung No. 7 1 M. O. Franz 29.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Duda et al., 2001. Übersicht
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen
MehrÜberblick. Classifying The Real World. Textkategorisierung. Textkategorisierung. Textkategorisierung (II)
Classifying The Real World Sebastian Bitzer (sbitzer@uos.de) Sven Lauer (svlauer@uos.de) Seminar: Neuronale Netze University of Osnabrueck 10. 07. 2003 Anwendungen von Support Vector Machines Überblick
MehrBeschleunigung von Bild-Segmentierungs- Algorithmen mit FPGAs
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Algorithmen mit FPGAs Vortrag von Jan Frenzel Dresden, Gliederung Was ist Bildsegmentierung?
MehrSegmentierung von Faserstrukturen in tomographischen Aufnahmen. Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern
Segmentierung von Faserstrukturen in tomographischen Aufnahmen Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern Oliver Wirjadi Frankfurt, 7.03.007 Bildquelle: Institut für
MehrVisualisierung hochdimensionaler Daten. Hauptseminar SS11 Michael Kircher
Hauptseminar SS11 Inhalt Einführung zu hochdimensionalen Daten Visualisierungsmöglichkeiten dimensionale Teilmengen dimensionale Schachtelung Achsenumgestaltung Algorithmen zur Dimensionsreduktion Zusammenfassung
MehrModellbasiertes Suchen von Objekten
Modellbasiertes Suchen von Objekten Anwendung 1 Vortrag HAW-Hamburg Betreuende Professoren Hosnia Najem Kai von Luck Gunter Klemke Agenda Welches Projekt? Motivation Szenario Technologische Anforderungen
MehrOberflächennahe und ferne Gestenerkennung mittels 3D-Sensorik
Oberflächennahe und ferne Gestenerkennung mittels 3D-Sensorik 26.10.2016 Gliederung Gesten für Mensch-Maschine Interaktion Anwendungsszenario Interaktive Projektionssitzkiste Herausforderungen Lösungsansatz
MehrVerkehr Analyse. Inhalt. Was ist Verkehr Analyse? Geschichte der Verkehr Analyse. Iavor Jelev Jintao Ding
Inhalt Verkehr Analyse Iavor Jelev Jintao Ding Was ist Verkehr Analyse? Wozu ist die Verkehr Analyse gut? Wie kann man Verkehr Analyse machen? Anwendungsbeispiele Algorithmen für Verkehr Analyse Geschichte
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Neuronale Netze WS 2014/2015 Vera Demberg Neuronale Netze Was ist das? Einer der größten Fortschritte in der Sprachverarbeitung und Bildverarbeitung der letzten Jahre:
MehrEinführung in die Bioinformatik: Lernen mit Kernen
Einführung in die Bioinformatik: Lernen mit Kernen Dr. Karsten Borgwardt Forschungsgruppe für Maschinelles Lernen und Bioinformatik Max-Planck-Institut für Intelligente Systeme & Max-Planck-Institut für
MehrNeuronale Netze mit mehreren Schichten
Neuronale Netze mit mehreren Schichten Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Neuronale Netze mit mehreren
MehrDer Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze Reinhard Eck 1
Der Backpropagation-Algorithmus als Beispiel für Lernalgorithmen künstlicher neuronaler Netze 2.04.2006 Reinhard Eck Was reizt Informatiker an neuronalen Netzen? Wie funktionieren Gehirne höherer Lebewesen?
MehrComputational Intelligence 1 / 20. Computational Intelligence Künstliche Neuronale Netze Perzeptron 3 / 20
Gliederung / Künstliche Neuronale Netze Perzeptron Einschränkungen Netze von Perzeptonen Perzeptron-Lernen Perzeptron Künstliche Neuronale Netze Perzeptron 3 / Der Psychologe und Informatiker Frank Rosenblatt
Mehrkurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.
kurze Wiederholung der letzten Stunde: Neuronale Netze martin.loesch@kit.edu (0721) 608 45944 Labor Wissensrepräsentation Neuronale Netze Motivation Perzeptron Übersicht Multilayer Neural Networks Grundlagen
MehrMathematische Grundlagen III
Mathematische Grundlagen III Maschinelles Lernen III: Clustering Vera Demberg Universität des Saarlandes 7. Juli 202 Vera Demberg (UdS) Mathe III 7. Juli 202 / 35 Clustering vs. Klassifikation In den letzten
MehrSeminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung
Seminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung Ingmar Gründel HAW-Hamburg 15. Dezember 2006 Ingmar Gründel Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung
MehrVon schwachen zu starken Lernern
Von schwachen zu starken Lernern Wir nehmen an, dass ein schwacher Lernalgorithmus L mit vielen Beispielen, aber großem Fehler ε = 1 2 θ gegeben ist. - Wie lässt sich der Verallgemeinerungsfehler ε von
MehrData Cubes PG Wissensmangement Seminarphase
PG 402 - Wissensmangement Seminarphase 23.10.2001-25.10.2001 Hanna Köpcke Lehrstuhl für Künstliche Intelligenz Universität Dortmund Übersicht 1. Einführung 2. Aggregation in SQL, GROUP BY 3. Probleme mit
MehrResearch Collection. Real-time multi-object tracking. Doctoral Thesis. ETH Library. Author(s): Roth, Daniel Eugen. Publication Date: 2010
Research Collection Doctoral Thesis Real-time multi-object tracking Author(s): Roth, Daniel Eugen Publication Date: 2010 Permanent Link: https://doi.org/10.3929/ethz-a-006016818 Rights / License: In Copyright
MehrProjekt Lesebrille : Mobiles Vorlesegerät für Blinde
Projekt Lesebrille : Mobiles Vorlesegerät für Blinde Texterkennung Vorverarbeitung Rauschen Kontrasterhöhung, Schärfung Binarizierung Layouterkennung Dokumentgrenzen Textblöcke, Textspalten Ausrichtung
MehrPfinder: Real-Time Tracking of the Human Body
Pfinder: Real-Time Tracking of the Human Body Christopher Wren, Ali Azarbayejani, Trevor Darrell, Alex Pentland aus: IEEE Transactions on Pattern Analysis and Machine Intelligence (pp. 780-785) 12. April
MehrDeep Learning für Automatische Dokumentanalyse
Deep Learning für Automatische Dokumentanalyse apl. Prof. Marcus Liwicki DIVA Group, University of Fribourg MindGarage, University of Kaiserslautern marcus.liwicki@unifr.ch www.mindgarage.de Können Sie
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
MehrMorphologische Bildverarbeitung II
FAKULTÄT FÜR MATHEMATIK UNIVERSITÄT ULM ABT. STOCHASTIK ABT. ANGEWANDTE INFORMATIONSVERARBEITUNG Seminar Simulation und Bildanalyse mit Java Morphologische Bildverarbeitung II BETREUER: JOHANNES MAYER
Mehr3.3 Nächste-Nachbarn-Klassifikatoren
3.3 Nächste-Nachbarn-Klassifikatoren Schrauben Nägel Klammern Neues Objekt Instanzbasiertes Lernen (instance based learning) Einfachster Nächste-Nachbar-Klassifikator: Zuordnung zu der Klasse des nächsten
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische
MehrDistributed Algorithms. Image and Video Processing
Chapter 6 Optical Character Recognition Distributed Algorithms for Übersicht Motivation Texterkennung in Bildern und Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben
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.
MehrTraining von RBF-Netzen. Rudolf Kruse Neuronale Netze 134
Training von RBF-Netzen Rudolf Kruse Neuronale Netze 34 Radiale-Basisfunktionen-Netze: Initialisierung SeiL fixed ={l,...,l m } eine feste Lernaufgabe, bestehend ausmtrainingsbeispielenl=ı l,o l. Einfaches
MehrStructure-from-Motion. Christina Mundhenk Leo Sylvio Rüdian Marcel Kliemannel
Structure-from-Motion Christina Mundhenk Leo Sylvio Rüdian Marcel Kliemannel Fahrplan Structure-from Motion Workflow mit SIFT & Bundle Adjustment mit SURE Probleme/ Grenzen Technik Metrik und Vergleich
MehrWE SHAPE INDUSTRY 4.0 BOSCH CONNECTED INDUSTRY DR.-ING. STEFAN AßMANN
WE SHAPE INDUSTRY 4.0 BOSCH CONNECTED INDUSTRY DR.-ING. STEFAN AßMANN Bosch-Definition for Industry 4.0 Our Seven Features Connected Manufacturing Connected Logistics Connected Autonomous and Collaborative
MehrVorlesung Wissensentdeckung in Datenbanken
Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Uwe Ligges Informatik LS 8 22.04.2010 1 von 26 Gliederung 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der
MehrClustering. Methods Course: Gene Expression Data Analysis -Day Four. Rainer Spang
Clustering Methods Course: Gene Expression Data Analysis -Day Four Rainer Spang Eine Krankheit Drei alternative Therapien Klinische Studie Im Mittel 75% 55% 35% Erfolg Drei Subtypen der Krankheit A B C
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
MehrComputer Vision: Kalman Filter
Computer Vision: Kalman Filter D. Schlesinger TUD/INF/KI/IS D. Schlesinger () Computer Vision: Kalman Filter 1 / 8 Bayesscher Filter Ein Objekt kann sich in einem Zustand x X befinden. Zum Zeitpunkt i
MehrPareto optimale lineare Klassifikation
Seminar aus Maschinellem Lernen Pareto optimale lineare Klassifikation Vesselina Poulkova Betreuer: Eneldo Loza Mencía Gliederung 1. Einleitung 2. Pareto optimale lineare Klassifizierer 3. Generelle Voraussetzung
MehrWas bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und
Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und Ausgaben Aktivierungsfunktionen: Schwellwertfunktion
MehrSelbstorganisierende Karten
Selbstorganisierende Karten (engl. Self-Organizing Maps (SOMs)) Rudolf Kruse Neuronale Netze 169 Selbstorganisierende Karten Eine selbstorganisierende Karte oder Kohonen-Merkmalskarte ist ein neuronales
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester Lösungsblatt 3 Maschinelles Lernen und Klassifikation
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Lösungsblatt 3 Maschinelles Lernen und Klassifikation Aufgabe : Zufallsexperiment
Mehr