Verwendung von merkmalsgestütztem Relevanz-Feedback zur Suche in einer Online-Bildergalerie
|
|
|
- Werner Sternberg
- vor 6 Jahren
- Abrufe
Transkript
1 Verwendung von merkmalsgestütztem Relevanz-Feedback zur Suche in einer Online-Bildergalerie Abgabevortrag der Diplomarbeit von Technische Universität Berlin Fakultät IV - Elektrotechnik und Informatik Institut für Kommunikationssysteme, Fachgebiet Nachrichtenübertragung Prof. Dr.-Ing. Thomas Sikora 6. Juni 2005
2 Gliederung 1 Überblick Related Work Relevanz Feedback - allgemein Motivation
3 Gliederung 1 Überblick Related Work Relevanz Feedback - allgemein Motivation 2 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte
4 Gliederung 1 Überblick Related Work Relevanz Feedback - allgemein Motivation 2 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte 3 Evaluierungsmaße Evaluierung des Retrievals Evaluierung der Klassifikation Eckdaten des Systems
5 Überblick bisheriger Systeme Related Work Relevanz Feedback - allgemein Motivation System RF Lernalgorithmus Features Cortina ja Query Vector Movement Feature Weighting (short term) Edge Histogramm Deskriptor Homogenous Texture Deskriptor, Dominant Color Deskriptor, Scalable Color Deskriptor FIRE ja Score, vergleiche [1] Invariant Feature Histogram MiAlbum ja Bayesscher Klassifikator (inkrementell, jedoch falsche Adaptionsvorschrift) Farbhistogramm im HSV, LUV Kohärenz Vektor, Tamura Coarseness, Directionality SIMPLIcity nein Segmentierung (K-Means) Klassifikation Integrated Region Matching (IRM) n.a. dieses System ja Bayesscher Klassifikator (inkrementell) Edge Histogram Deskriptor, Homogenous Texture Deskriptor, Color Layout Deskriptor, Local Average LUV Deskriptor
6 Related Work Relevanz Feedback - allgemein Motivation Anforderungen an das Relevanz Feedback damit eine Interaktion möglich ist, müssen die Algorithmen zum Lernen der Bildklassen bzw. zum Auswählen relevanter Bilder in Echtzeit arbeiten
7 Related Work Relevanz Feedback - allgemein Motivation Anforderungen an das Relevanz Feedback damit eine Interaktion möglich ist, müssen die Algorithmen zum Lernen der Bildklassen bzw. zum Auswählen relevanter Bilder in Echtzeit arbeiten Lernalgorithmus muss mit wenigen Trainingsdaten funktionsfähig bleiben muss schnell arbeiten, so dass die Wahl des Lernalgorithmus stark von den Kosten beeinflusst ist
8 Related Work Relevanz Feedback - allgemein Motivation Lernalgorithmen für das Relevanz Feedback Bewegen des Suchpunktes (query point movement (QPM), vergleiche [2])
9 Related Work Relevanz Feedback - allgemein Motivation Lernalgorithmen für das Relevanz Feedback Bewegen des Suchpunktes (query point movement (QPM), vergleiche [2]) Parameterschätzung von Verteilungsdichtefunktionen zur Unterscheidung von Bildklassen (Density-Based Estimation)
10 Related Work Relevanz Feedback - allgemein Motivation Lernalgorithmen für das Relevanz Feedback Bewegen des Suchpunktes (query point movement (QPM), vergleiche [2]) Parameterschätzung von Verteilungsdichtefunktionen zur Unterscheidung von Bildklassen (Density-Based Estimation) Einsatz von Support Vector Machines zum Unterscheiden von Bildklassen
11 Related Work Relevanz Feedback - allgemein Motivation Lernalgorithmen für das Relevanz Feedback Bewegen des Suchpunktes (query point movement (QPM), vergleiche [2]) Parameterschätzung von Verteilungsdichtefunktionen zur Unterscheidung von Bildklassen (Density-Based Estimation) Einsatz von Support Vector Machines zum Unterscheiden von Bildklassen Kernel Based Discriminating Analysis (BDA)
12 Related Work Relevanz Feedback - allgemein Motivation Algorithmen zum Zusammenstellen relevanter Bilder best matching Bilder, die am ehesten der Suchintention entsprechen
13 Related Work Relevanz Feedback - allgemein Motivation Algorithmen zum Zusammenstellen relevanter Bilder best matching Bilder, die am ehesten der Suchintention entsprechen most informative Bilder, die am meisten Informationen zum Formen der Klassengrenzen besitzen
14 Related Work Relevanz Feedback - allgemein Motivation Algorithmen zum Zusammenstellen relevanter Bilder best matching Bilder, die am ehesten der Suchintention entsprechen most informative Bilder, die am meisten Informationen zum Formen der Klassengrenzen besitzen hybride Verfahren erst most informative, dann best matching
15 Motivation zu dieser Arbeit Related Work Relevanz Feedback - allgemein Motivation 1 Ein Benutzer möchte nicht mehr als 4-10 Beispiele pro Iterationsschritt geben.
16 Motivation zu dieser Arbeit Related Work Relevanz Feedback - allgemein Motivation 1 Ein Benutzer möchte nicht mehr als 4-10 Beispiele pro Iterationsschritt geben. Informationsgehalt muss maximal genutzt werden
17 Motivation zu dieser Arbeit Related Work Relevanz Feedback - allgemein Motivation 1 Ein Benutzer möchte nicht mehr als 4-10 Beispiele pro Iterationsschritt geben. Informationsgehalt muss maximal genutzt werden inkrementeller Ansatz, der über alle Benutzerinteraktionen die Klassengrenzen adaptiert
18 Motivation zu dieser Arbeit Related Work Relevanz Feedback - allgemein Motivation 1 Ein Benutzer möchte nicht mehr als 4-10 Beispiele pro Iterationsschritt geben. Informationsgehalt muss maximal genutzt werden inkrementeller Ansatz, der über alle Benutzerinteraktionen die Klassengrenzen adaptiert 2 Die Low-Level Features besitzen je nach Anfrage irrelevante Koeffizienten, dessen Einfluss sollte nach Möglichkeit reduziert werden.
19 Motivation zu dieser Arbeit Related Work Relevanz Feedback - allgemein Motivation 1 Ein Benutzer möchte nicht mehr als 4-10 Beispiele pro Iterationsschritt geben. Informationsgehalt muss maximal genutzt werden inkrementeller Ansatz, der über alle Benutzerinteraktionen die Klassengrenzen adaptiert 2 Die Low-Level Features besitzen je nach Anfrage irrelevante Koeffizienten, dessen Einfluss sollte nach Möglichkeit reduziert werden. Bayesscher Klassifikator gewichtet jeden Koeffizient mit dessen Varianz
20 Motivation zu dieser Arbeit Related Work Relevanz Feedback - allgemein Motivation 1 Ein Benutzer möchte nicht mehr als 4-10 Beispiele pro Iterationsschritt geben. Informationsgehalt muss maximal genutzt werden inkrementeller Ansatz, der über alle Benutzerinteraktionen die Klassengrenzen adaptiert 2 Die Low-Level Features besitzen je nach Anfrage irrelevante Koeffizienten, dessen Einfluss sollte nach Möglichkeit reduziert werden. Bayesscher Klassifikator gewichtet jeden Koeffizient mit dessen Varianz 3 Benutzerinteraktion ist von zentraler Bedeutung.
21 Motivation zu dieser Arbeit Related Work Relevanz Feedback - allgemein Motivation 1 Ein Benutzer möchte nicht mehr als 4-10 Beispiele pro Iterationsschritt geben. Informationsgehalt muss maximal genutzt werden inkrementeller Ansatz, der über alle Benutzerinteraktionen die Klassengrenzen adaptiert 2 Die Low-Level Features besitzen je nach Anfrage irrelevante Koeffizienten, dessen Einfluss sollte nach Möglichkeit reduziert werden. Bayesscher Klassifikator gewichtet jeden Koeffizient mit dessen Varianz 3 Benutzerinteraktion ist von zentraler Bedeutung. Algorithmen müssen zügig arbeiten
22 Motivation zu dieser Arbeit Related Work Relevanz Feedback - allgemein Motivation 1 Ein Benutzer möchte nicht mehr als 4-10 Beispiele pro Iterationsschritt geben. Informationsgehalt muss maximal genutzt werden inkrementeller Ansatz, der über alle Benutzerinteraktionen die Klassengrenzen adaptiert 2 Die Low-Level Features besitzen je nach Anfrage irrelevante Koeffizienten, dessen Einfluss sollte nach Möglichkeit reduziert werden. Bayesscher Klassifikator gewichtet jeden Koeffizient mit dessen Varianz 3 Benutzerinteraktion ist von zentraler Bedeutung. Algorithmen müssen zügig arbeiten eventuell Featurereduktion mittels PCA
23 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Bildergalerien Daten zur Verwaltung Get a Random Set Bilder (Binaries) Thumbnails Start Classification (Fileupload) Interface Start Matching (Fileupload) Feature Extraktion Get XML- Descriptors (Fileupload) show XML-Descriptors Deskriptoren (Binaries) relevante Bilder selektiert und den Retrieval Prozess gestartet XML- Deskriptoren 3s- Normierung Relevanz Feedback Retrieval Parameter MySQL Benutzerinteraktion 1 PCA modifizierte Deskriptoren (Binaries) Vorverarbeitung Modelle der 12 Bildklassen (Binaries) Offline Online
24 Softwareschnittstellen Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Template ausführbarer Programmcode C++ Klassifikation XHTML User Interface Perl Zwischenschicht MySQL C API CGI MySQL DBD::mysql
25 Retrieval-Prozess Überblick Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Suche mit einem zufälligen Bild Suche mit einem hochgeladenen Bild Anzeigen der Ergebnisse initiale Suche Auswählen der relevanten Bilder Relevanz Feedback Anzeigen der Ergebnisse iterative Suche
26 Verfügbare Bildergalerien Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Name Anzahl der Fotos Fotos der Corel Gallery Magic Wangs Subset der Corel Bildergalerie Fotos der Data Becker Premium Cliparts The CalTech-101 Object Categories Butterfly Database 619 Summe der online verfügbaren Fotos Ground Truth Database der University of Washington Bildersammlung zum Trainieren und Testen der Klassifikation 3.500
27 Lokale Features Überblick Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Quelle: [4] Charakteristika Textur Kantenhistogramm bestehend aus 5 Typen
28 Lokale Features Überblick Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Quelle: [4] Charakteristika Textur Kantenhistogramm bestehend aus 5 Typen Farbe Mittlere Farbkomponenten (LUV)
29 Globale Features Überblick Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Charakteristika Textur mehrdimensionales Gaborfilter im Frequenzbereich globale und semi-globale Kantenhistogramme
30 Globale Features Überblick Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Charakteristika Textur mehrdimensionales Gaborfilter im Frequenzbereich globale und semi-globale Kantenhistogramme Farbe DCT gefiltertes Mittelwertbild ( Zig-Zag Scan Reduktion auf jeweils 6 Koeffizienten 64 Koeffizienten Farbkomponente ),
31 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Herleitung des Bayesschen Klassifikators (1) mittlerer Verlust l j ( x) = W L ij p(ω i x) i=1
32 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Herleitung des Bayesschen Klassifikators (1) mittlerer Verlust binäre Verlustfunktion { W 0 für i = j l j ( x) = L ij p(ω i x) L ij = 1 δ ij = 1 für i j i=1
33 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Herleitung des Bayesschen Klassifikators (1) mittlerer Verlust binäre Verlustfunktion { W 0 für i = j l j ( x) = L ij p(ω i x) L ij = 1 δ ij = 1 für i j i=1 minimize l j ( x) = p( x) p(ω j x)
34 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Herleitung des Bayesschen Klassifikators (1) mittlerer Verlust binäre Verlustfunktion { W 0 für i = j l j ( x) = L ij p(ω i x) L ij = 1 δ ij = 1 für i j i=1 minimize l j ( x) = p( x) p(ω j x) maximize d j ( x) = p( x ω j)p(ω j ) p( x) für j = 1, 2,..., W
35 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Herleitung des Bayesschen Klassifikators (1) mittlerer Verlust binäre Verlustfunktion { W 0 für i = j l j ( x) = L ij p(ω i x) L ij = 1 δ ij = 1 für i j i=1 minimize l j ( x) = p( x) p(ω j x) Bayesscher Klassifikator d j ( x) = p( x ω j )p(ω j ) für j = 1, 2,..., W
36 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Herleitung des Bayesschen Klassifikators (2) p( x ω j ) = multivariate Gauss-Verteilungsdichtefunktion p(ω j ) = a-priori Wahrscheinlichkeit der Klasse j
37 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Herleitung des Bayesschen Klassifikators (2) p( x ω j ) = multivariate Gauss-Verteilungsdichtefunktion p(ω j ) = a-priori Wahrscheinlichkeit der Klasse j Bayesscher Klassifikator für Gaussche Klassen d j ( x) = ln p(ω j ) k ln σ j,k 1 2 ( xk µ j,k σ j,k k ) 2
38 Retrieval - Relevanz Feedback Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Bayesscher Klassifikator für Gaussche Klassen Vereinfachungen für das Retrieval d j ( x) = ln p(ω j ) k ln σ j,k 1 2 ( xk µ j,k σ j,k k ) 2
39 Retrieval - Relevanz Feedback Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Bayesscher Klassifikator für Gaussche Klassen Vereinfachungen für das Retrieval d j ( x) = ln p(ω j ) k ln σ j,k 1 2 ( xk µ j,k k σ j,k 1 da alle Klassen gleichberechtigt auftreten können ) 2
40 Retrieval - Relevanz Feedback Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Bayesscher Klassifikator für Gaussche Klassen Vereinfachungen für das Retrieval d j ( x) = ln p(ω j ) ln σ j,k 1 2 k ( xk µ j,k k σ j,k 1 da alle Klassen gleichberechtigt auftreten können. 2 da alle Bilder mit einer Bildklasse verglichen werden. ) 2
41 Retrieval - Relevanz Feedback Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Bayesscher Klassifikator für Gaussche Klassen Retrieval minimize d j ( x) = k ( xk µ j,k σ j,k ) 2
42 Retrieval - Relevanz Feedback Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Bayesscher Klassifikator für Gaussche Klassen Retrieval minimize d j ( x) = k ( xk µ j,k σ j,k ) 2 Jetzt müssen noch die Parameter µ j und σ 2 j adaptiert werden.
43 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Parameteradaption - Relevanz Feedback
44 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Parameteradaption - Relevanz Feedback
45 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Parameteradaption - Relevanz Feedback
46 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Parameteradaption - Relevanz Feedback
47 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Parameteradaption - Relevanz Feedback
48 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Parameteradaption - Relevanz Feedback
49 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Parameteradaption - Relevanz Feedback
50 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Parameteradaption - Relevanz Feedback
51 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Parameteradaption - Relevanz Feedback
52 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Parameteradaption - Relevanz Feedback Bayesscher Klassifikator für Gaussche Klassen minimize d j ( x) = k ( xk µ j,k σ j,k ) 2 µ j,k wird mittelwertrichtig aus den neuen Mittelwerten erzeugt. σj,k 2 wird mittelwertrichtig aus den neuen Varianzen erzeugt.
53 Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Überblick buildings flowers faces landscapes coastal mountains cars sailing buses sunsets biplanes motorbikes Die Bildklassen
54 Klassifikation Überblick Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Bayesscher Klassifikator für Gaussche Klassen Klassifikation d j ( x) = ln p(ω j ) + }{{} =const k ln(σ j,k ) ( xk µ j,k σ j,k k ) 2 da alle Klassen gleichberechtigt auftreten können.
55 Klassifikation Überblick Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Bayesscher Klassifikator für Gaussche Klassen Klassifikation d j ( x) = ln p(ω j ) + ln(σ j,k ) + 1 ( xk µ j,k }{{} 2 σ j,k =const k k = ln(σ j,k ) + 1 ( ) xk µ 2 j,k 2 σ j,k k k da alle Klassen gleichberechtigt auftreten können. ) 2
56 Support Vector Machines Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Hinweise Diplomarbeit [3] Seite
57 Adaption der Systemgewichte Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Kombination der Scorefunktionen d j,f D j ( x) = d j,f α f + d j,f α f + d j,f α f + d j,f α f mit f HTD,EHD,CLD,LALD.
58 Adaption der Systemgewichte Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Kombination der Scorefunktionen d j,f D j ( x) = d j,f α f + d j,f α f + d j,f α f + d j,f α f mit f HTD,EHD,CLD,LALD. 1 best matching, d.h. der Deskriptortyp mit der kleinsten mittleren Varianz erhält mehr Gewicht.
59 Adaption der Systemgewichte Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Kombination der Scorefunktionen d j,f D j ( x) = d j,f α f + d j,f α f + d j,f α f + d j,f α f mit f HTD,EHD,CLD,LALD. 1 best matching, d.h. der Deskriptortyp mit der kleinsten mittleren Varianz erhält mehr Gewicht. 2 most informative, d.h. der Deskriptortyp mit der größten mittleren Varianz erhält mehr Gewicht.
60 Adaption der Systemgewichte Bildergalerien Low-Level Deskriptoren Relevanz Feedback und Klassifikation Systemgewichte Kombination der Scorefunktionen d j,f D j ( x) = d j,f α f + d j,f α f + d j,f α f + d j,f α f mit f HTD,EHD,CLD,LALD. 1 best matching, d.h. der Deskriptortyp mit der kleinsten mittleren Varianz erhält mehr Gewicht. 2 most informative, d.h. der Deskriptortyp mit der größten mittleren Varianz erhält mehr Gewicht. 3 manuelle Gewichtung, d.h. der Benutzer kann in die Gewichtung eingreifen.
61 Evaluierungsmaße Überblick Evaluierungsmaße Evaluierung des Retrievals Evaluierung der Klassifikation Eckdaten des Systems Receiver Operating Characteristic (ROC) Curves Confusion-Matrix Precision vs. Recall Graphen
62 Evaluierungsmaße Überblick Evaluierungsmaße Evaluierung des Retrievals Evaluierung der Klassifikation Eckdaten des Systems Receiver Operating Characteristic (ROC) Curves Klassifikation Confusion-Matrix Klassifikation Precision vs. Recall Graphen
63 Evaluierungsmaße Überblick Evaluierungsmaße Evaluierung des Retrievals Evaluierung der Klassifikation Eckdaten des Systems Receiver Operating Characteristic (ROC) Curves Klassifikation Confusion-Matrix Klassifikation Precision vs. Recall Graphen Retrieval
64 Retrieval Überblick Evaluierungsmaße Evaluierung des Retrievals Evaluierung der Klassifikation Eckdaten des Systems precision Bayesian (short term) buses africa 0.4 flowers elephants 0.3 horses beach 0.2 mountains mean values recall precision Bayesian (long term) buses africa 0.4 flowers elephants 0.3 horses beach 0.2 mountains 0.1 mean values recall precision different methods compared long term bayesian 0.2 euclidean FIRE recall Precision vs. Recall Graphen Precision Recall
65 Retrieval Überblick Evaluierungsmaße Evaluierung des Retrievals Evaluierung der Klassifikation Eckdaten des Systems precision Bayesian (short term) buses africa 0.4 flowers elephants 0.3 horses beach 0.2 mountains mean values recall precision Bayesian (long term) buses africa 0.4 flowers elephants 0.3 horses beach 0.2 mountains 0.1 mean values recall precision different methods compared long term bayesian 0.2 euclidean FIRE recall Precision vs. Recall Graphen Precision ist ein Maß dafür, zu wie viel Prozent eine Ergebnismenge aus relevanten Bildern besteht. Recall
66 Retrieval Überblick Evaluierungsmaße Evaluierung des Retrievals Evaluierung der Klassifikation Eckdaten des Systems precision Bayesian (short term) buses africa 0.4 flowers elephants 0.3 horses beach 0.2 mountains mean values recall precision Bayesian (long term) buses africa 0.4 flowers elephants 0.3 horses beach 0.2 mountains 0.1 mean values recall precision different methods compared long term bayesian 0.2 euclidean FIRE recall Precision vs. Recall Graphen Precision ist ein Maß dafür, zu wie viel Prozent eine Ergebnismenge aus relevanten Bildern besteht. Recall ist ein Maß für die Vollständigkeit einer Anfrage, es gibt an, wie viel Prozent der Bilder einer Kategorie im Ergebnisset enthalten sind.
67 Klassifikation Überblick Evaluierungsmaße Evaluierung des Retrievals Evaluierung der Klassifikation Eckdaten des Systems p(ω j ) = 0, p(ω j ) = 0, p(ω j ) = 0, p(ω j ) = 0, Confusion-Matrix
68 Klassifikation Überblick Evaluierungsmaße Evaluierung des Retrievals Evaluierung der Klassifikation Eckdaten des Systems p(ω j ) = 0, p(ω j ) = 0, p(ω j ) = 0, p(ω j ) = 0, Confusion-Matrix Die Confusion-Matrix visualisiert die falsch-negativ Klassifikationen.
69 Klassifikation Überblick Evaluierungsmaße Evaluierung des Retrievals Evaluierung der Klassifikation Eckdaten des Systems p(ω j ) = 0, p(ω j ) = 0, p(ω j ) = 0, p(ω j ) = 0, Confusion-Matrix Die Confusion-Matrix visualisiert die falsch-negativ Klassifikationen. Sie kann verwendet werden, um schlecht trainierte Klassen ausfindig zu machen.
70 Klassifikation Überblick Evaluierungsmaße Evaluierung des Retrievals Evaluierung der Klassifikation Eckdaten des Systems biplanes fälschlicherweise der Klasse car sunsets fälschlicherweise der Klasse flowers landscapes fälschlicherweise der Klasse mountains motorbikes fälschlicherweise der Klasse cars Das bedeutet, die Modelle der Bildklassen cars, flowers und mountains sind nicht besonders robust trainiert.
71 Evaluierungsmaße Evaluierung des Retrievals Evaluierung der Klassifikation Eckdaten des Systems Klassifikation - ROC Curves für alle 12 Bildklassen 1 ROC Curves for 12 different image classes True Positive Rate 0.8 biplanes buildings buses cars 0.6 coastal faces flowers 0.4 landscapes motorbikes mountains 0.2 sailing sunsets mean False Positive Rate Receiver Operating Characteristic (ROC) Curves Die ROC Curves visualisieren den Zusammenhang von richtig-positiv und falsch-positiv Klassifikationen.
72 Eckdaten Überblick Evaluierungsmaße Evaluierung des Retrievals Evaluierung der Klassifikation Eckdaten des Systems Anzahl der verfügbaren Bilder Speicherplatzbedarf der verwendeten MySQL Tabelle 533MB Speicherplatzbedarf der Bilder 4.180MB Zeitdauer für das Matching <2 s Zeitdauer für das Laden der nötigen Daten 20s Zeitdauer für die Klassifikation 0,4-2,0s (je nach Bildgröße)
73 - Ausblick Der inkrementelle Bayessche Klassifikator verbessert die Leistungsfähigkeit des CBIR Systems um mehr als 10% (auch im PCA-Raum funktionsfähig).
74 - Ausblick Der inkrementelle Bayessche Klassifikator verbessert die Leistungsfähigkeit des CBIR Systems um mehr als 10% (auch im PCA-Raum funktionsfähig). Die verwendeten Features scheinen den Feedback Prozess positiv zu beeinflussen.
75 - Ausblick Der inkrementelle Bayessche Klassifikator verbessert die Leistungsfähigkeit des CBIR Systems um mehr als 10% (auch im PCA-Raum funktionsfähig). Die verwendeten Features scheinen den Feedback Prozess positiv zu beeinflussen. Um das Retrieval zu beschleunigen, muss die Ladezeit verringert werden (RAM-Tables für MySQL).
76 - Ausblick Der inkrementelle Bayessche Klassifikator verbessert die Leistungsfähigkeit des CBIR Systems um mehr als 10% (auch im PCA-Raum funktionsfähig). Die verwendeten Features scheinen den Feedback Prozess positiv zu beeinflussen. Um das Retrieval zu beschleunigen, muss die Ladezeit verringert werden (RAM-Tables für MySQL). Um unterschiedliche CBIR Systeme miteinander vergleichen zu können, ist eine einheitliche Testdatenbank erforderlich.
77 - Ausblick Der inkrementelle Bayessche Klassifikator verbessert die Leistungsfähigkeit des CBIR Systems um mehr als 10% (auch im PCA-Raum funktionsfähig). Die verwendeten Features scheinen den Feedback Prozess positiv zu beeinflussen. Um das Retrieval zu beschleunigen, muss die Ladezeit verringert werden (RAM-Tables für MySQL). Um unterschiedliche CBIR Systeme miteinander vergleichen zu können, ist eine einheitliche Testdatenbank erforderlich. Zur objektiven Beurteilung der Leistungsfähigkeit des Systems, wäre ein CBIR System auf der Basis von SVMs hilfreich.
78 Anhang Zusätzliches Weiterführende Literatur Deskriptoren (Binaries) 3ó- Normierung MySQL Benutzerinteraktion 1 PCA Parameter modifizierte Deskriptoren (Binaries) Vorverarbeitung Modelle der 12 Bildklassen (Binaries) Offline Online
79 Anhang Zusätzliches Weiterführende Literatur
80 Anhang Zusätzliches Weiterführende Literatur 1 Bayesian (short term) precision buses africa flowers elephants horses beach mountains mean values recall
81 Anhang Zusätzliches Weiterführende Literatur precision buses africa flowers elephants horses beach mountains mean values Bayesian (long term) recall
82 Anhang Zusätzliches Weiterführende Literatur 1 different methods compared precision long term bayesian euclidean FIRE recall
83 Anhang Zusätzliches Weiterführende Literatur Confusion-Matrix mit p(ω j ) = 0,
84 Anhang Zusätzliches Weiterführende Literatur Confusion-Matrix mit p(ω j ) = 0,
85 Anhang Zusätzliches Weiterführende Literatur Confusion-Matrix mit p(ω j ) = 0,
86 Anhang Zusätzliches Weiterführende Literatur Confusion-Matrix mit p(ω j ) = 0,
87 Anhang Zusätzliches Weiterführende Literatur 1 ROC Curves for 12 different image classes True Positive Rate False Positive Rate biplanes buildings buses cars coastal faces flowers landscapes motorbikes mountains sailing sunsets mean
88 Anhang Zusätzliches Weiterführende Literatur Überblick über die Features lokale Features Edge Histogram Deskriptor Local Average LUV Deskriptor
89 Anhang Zusätzliches Weiterführende Literatur Überblick über die Features lokale Features Edge Histogram Deskriptor Local Average LUV Deskriptor globale Features Homogenous Texture Deskriptor Color Layout Deskriptor
90 Anhang Zusätzliches Weiterführende Literatur Weiterführende Literatur I [1] Thomas Deselaers, Daniel Keysers, Hermann Ney. FIRE - Flexible Image Retrieval Engine: ImageCLEF Fifth Workshop of the Cross-Language Evaluation Forum (CLEF 2004),Bath, UK, pp , September [2]. Studienarbeit, Cortina: Eine Inhaltsbasierte Bildsuchmachine im WWW. Relevance-Feedback als Unterstützung zur Suche im Hochdimensionalen Merkmalsraum. TU-Berlin, FG Nachrichtenübertragung, Germany, 2004.
91 Anhang Zusätzliches Weiterführende Literatur Weiterführende Literatur II [3]. Diplomarbeit. Verwendung von merkmalsgestütztem Relevanz-Feedback zur Suche in einer Online-Bildergalerie. TU-Berlin, FG Nachrichtenübertragung, Germany, [4] Dong Kwon Park, Yoon Seok Jeon, Chee Sun Won. Efficient Use of Local Edge Histogram Descriptor
Semantische Bildsuche mittels kollaborativer Filterung und visueller Navigation
Semantische Bildsuche mittels kollaborativer Filterung und visueller Navigation Prof. Dr. Kai Uwe Barthel HTW Berlin / pixolution GmbH Übersicht Probleme der gegenwärtigen Bildsuchsysteme Schlagwortbasierte
(query by image content)
Proseminar Multimedia Information-Retrieval-Systeme (query by image content) Das QBIC Projekt 1. Einleitung 1.1 Was ist QBIC 1.2 Wo wird es verwendet 2. QBIC im Detail 2.1 technische Grundlagen 2.2 Aufbau
Vorlesung Wissensentdeckung
Gliederung Vorlesung Wissensentdeckung Additive Modelle Katharina Morik, Weihs 1 Merkmalsauswahl Gütemaße und Fehlerabschätzung.6.015 1 von 33 von 33 Ausgangspunkt: Funktionsapproximation Aufteilen der
Semestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7.
Semestralklausur zur Vorlesung Web Mining Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7. 2004 Name: Vorname: Matrikelnummer: Fachrichtung: Punkte: (1).... (2)....
Computer 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
Algorithmen zur Analyse historischer Landkarten. Benedikt Budig Universität Würzburg
Algorithmen zur Analyse historischer Landkarten Benedikt Budig Universität Würzburg Einführung Einführung Algorithmen zur Analyse historischer Landkarten Einführung Algorithmen zur Analyse historischer
Fakultät 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
Vorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke
Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,
Principal Component Analysis (PCA)
Principal Component Analysis (PCA) Motivation: Klassifikation mit der PCA Berechnung der Hauptkomponenten Theoretische Hintergründe Anwendungsbeispiel: Klassifikation von Gesichtern Weiterführende Bemerkungen
Suchmaschinen. Anwendung RN Semester 7. Christian Koczur
Suchmaschinen Anwendung RN Semester 7 Christian Koczur Inhaltsverzeichnis 1. Historischer Hintergrund 2. Information Retrieval 3. Architektur einer Suchmaschine 4. Ranking von Webseiten 5. Quellenangabe
Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens
Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 17.04.2015 Entscheidungsprobleme beim Textmining
Entwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words
Entwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words André Viergutz 1 Inhalt Einführung. Einordnung der Arbeit in die zugrunde liegenden Konzepte Das Modell der Fields
Ein 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
Recommender Systems. Stefan Beckers Praxisprojekt ASDL SS 2006 Universität Duisburg-Essen April 2006
Recommender Systems Stefan Beckers Praxisprojekt ASDL SS 2006 Universität Duisburg-Essen April 2006 Inhalt 1 - Einführung 2 Arten von Recommender-Systemen 3 Beispiele für RCs 4 - Recommender-Systeme und
Kapitel 11* Grundlagen ME. Aufbau eines ME-Systems Entwicklung eines ME-Systems. Kapitel11* Grundlagen ME p.1/12
Kapitel 11* Kapitel11* Grundlagen ME p.1/12 Grundlagen ME Aufbau eines ME-Systems Entwicklung eines ME-Systems Kapitel11* Grundlagen ME p.2/12 Aufbau eines ME-Systems (1) on line Phase digitalisiertes
Vorlesung Maschinelles Lernen
Vorlesung Maschinelles Lernen Additive Modelle Katharina Morik Informatik LS 8 Technische Universität Dortmund 7.1.2014 1 von 34 Gliederung 1 Merkmalsauswahl Gütemaße und Fehlerabschätzung 2 von 34 Ausgangspunkt:
Algorithmus zum Graphen-Matching. und. Anwendung zur inhaltsbasierten Bildersuche
Algorithmus zum Graphen-Matching und Anwendung zur inhaltsbasierten Bildersuche Gliederung 1. Einführung 2. Algorithmus Beschreibung Beispiel Laufzeit 3. Anwendung des Algorithmus Seite 1 von 18 1. Einführung
Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser
Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser Gliederung Einleitung Problemstellungen Ansätze & Herangehensweisen Anwendungsbeispiele Zusammenfassung 2 Gliederung
Evaluation. Caroline Sporleder. Computational Linguistics Universität des Saarlandes. Sommersemester 2011 26.05.2011
Evaluation Caroline Sporleder Computational Linguistics Universität des Saarlandes Sommersemester 2011 26.05.2011 Caroline Sporleder Evaluation (1) Datensets Caroline Sporleder Evaluation (2) Warum evaluieren?
Phishingerkennung mittels visuellem Ähnlichkeitsvergleich. Felix Hill Ruhr-Universität Bochum felix.hill@rub.de
Phishingerkennung mittels visuellem Ähnlichkeitsvergleich Felix Hill Ruhr-Universität Bochum felix.hill@rub.de 1 ÜBERSICHT Entwicklung im Bereich Phishing Ansatz Bilderkennung Evaluation G DATA EINFACH
20.01.2015 Fabian Grimme und Tino Krüger 1 INDREX. Evaluierung von H2O. Enterprise Data Management Beuth Hochschule für Technik
20.01.2015 Fabian Grimme und Tino Krüger 1 INDREX Evaluierung von H2O Enterprise Data Management Beuth Hochschule für Technik 20.01.2015 Fabian Grimme und Tino Krüger 2 INDREX im Überblick In-Database
Vorstellung von Bewegung Berlin Brain Computer Interfaces (BBCI)
Vorstellung von Bewegung Berlin Brain Computer Interfaces (BBCI) Let the machines learn! Jela Ruhe, Sara Winter 02.12.2009 BMI Universität Bielefeld ౧ Gliederung 2 Einführung Methoden Experimente & Ergebnisse
Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.
Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen
Computer 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
Dokumenten-Clustering. Norbert Fuhr
Dokumenten-Clustering Norbert Fuhr Dokumenten-Clustering (Dokumenten-)Cluster: Menge von ähnlichen Dokumenten Ausgangspunkt Cluster-Hypothese : die Ähnlichkeit der relevanten Dokumente untereinander und
Inhaltliche 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
Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih
Data Mining mit Rapidminer im Direktmarketing ein erster Versuch Hasan Tercan und Hans-Peter Weih Motivation und Ziele des Projekts Anwendung von Data Mining im Versicherungssektor Unternehmen: Standard
Praktikum: Erweiterung eines Machine Learning Frameworks. Author: Richard Stein Betreuer: Oren Halvani Abgabe:
Praktikum: Erweiterung eines Machine Learning Frameworks Author: Richard Stein Betreuer: Oren Halvani Abgabe: 11.04.2016 Zusammenfassung In dieser Arbeit wird ein Framework zur Textanalyse mittels maschinellem
Kapitel 8. Inhaltsbasierte Suche in Bilddatenbanken
Kapitel 8 Inhaltsbasierte Suche in Bilddatenbanken One picture is worth 1000 words. However, a picture is worth far fewer than 1000 words if you cannot find them. Einführung Suche durch Merkmalswerte Suche
ML-Werkzeuge und ihre Anwendung
Kleine Einführung: und ihre Anwendung martin.loesch@kit.edu (0721) 608 45944 Motivation Einsatz von maschinellem Lernen erfordert durchdachtes Vorgehen Programmieren grundlegender Verfahren aufwändig fehlerträchtig
SEMINAR AUTOMATISCHE GESICHTSERKENNUNG
SEMINAR AUTOMATISCHE GESICHTSERKENNUNG OBERSEMINAR AUTOMATISCHE ANALYSE VON GESICHTSAUSDRÜCKEN Organisation, Überblick, Themen Überblick heutige Veranstaltung 1. Organisatorisches 2. Überblick über beide
Methoden & Tools für die Expressionsdatenanalyse. Vorlesung Einführung in die Bioinformatik - Expressionsdatenanalyse U. Scholz & M.
Methoden & Tools für die Expressionsdatenanalyse U. Scholz & M. Lange Folie #7-1 Vorgehensmodell Expressionsdatenverarbeitung Bildanalyse Normalisierung/Filterung Datenauswertung U. Scholz & M. Lange Folie
Kapitel 5. Bayes Klassifikator
Kapitel 5 Bayes Klassifikator Theoretische Grundlagen Bayes Entscheidungstheorie Allgemeiner Bayes Klassifikator Bayes Klassifikator bei Normalverteilung Parameterschätzung Nichtparametrische Klassifikatoren
Grundlagen von Support Vector Maschinen und Anwendungen in der Bildverarbeitung
Grundlagen von Support Vector Maschinen und Anwendungen in der Bildverarbeitung Jan Eichhorn jan.eichhorn@tuebingen.mpg.de Max-Planck-Institut für biologische Kybernetik 72076 Tübingen Danksagung Olivier
WEKA A Machine Learning Interface for Data Mining
WEKA A Machine Learning Interface for Data Mining Frank Eibe, Mark Hall, Geoffrey Holmes, Richard Kirkby, Bernhard Pfahringer, Ian H. Witten Reinhard Klaus Losse Künstliche Intelligenz II WS 2009/2010
JPlus Platform Independent Learning with Environmental Information in School
JPlus Platform Independent Learning with Environmental Information in School Mario Härtwig, Pierre Karrasch Salzburg, 7. Juli 2010 Genesis Umweltmonitoring als Beitrag zur Umweltbildung an Schulen. Kulturlandschaftsentwicklung
Companion 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
Software vergleichen. Andrea Herrmann AndreaHerrmann3@gmx.de. 25.11.2011 Fachgruppentreffen RE
Software vergleichen Andrea Herrmann AndreaHerrmann3@gmx.de 25.11.2011 Fachgruppentreffen RE Übersicht 1. Motivation 2. Stand der Forschung 3. Gap-Analyse versus Delta-Analyse 4. Grafischer Vergleich 5.
2 Evaluierung von Retrievalsystemen
2. Evaluierung von Retrievalsystemen Relevanz 2 Evaluierung von Retrievalsystemen Die Evaluierung von Verfahren und Systemen spielt im IR eine wichtige Rolle. Gemäß der Richtlinien für IR der GI gilt es,...
Eine Einführung in R: Hochdimensionale Daten: n << p Teil II
Eine Einführung in R: Hochdimensionale Daten: n
Schriftlicher Test Teilklausur 2
Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen Wintersemester 2009 / 2010 Albayrak, Fricke (AOT) Opper, Ruttor (KI) Schriftlicher
Indexstrukturen in XML
Seminar XML und Datenbanken Indexstrukturen in XML Vanessa Schäfer 07.02.2003 Übersicht Einführung Indexstrukturen in XML Ein Vergleich SphinX vs. Lore Zusammenfassung und Ausblick Seminar XML und Datenbanken
Fahrzeuglokalisierung anhand visueller Landmarken und einer digitalen Karte
Fahrzeuglokalisierung anhand visueller Landmarken und einer digitalen Karte Oliver Pink INSTITUT FÜR MESS- UND REGELUNGSTECHNIK KIT - Universität des Landes Baden-Württemberg und nationales Großforschungszentrum
Entwicklungstand der GUI
1/13 Entwicklungstand der GUI Dietrich Vogel dvogel@physik.uni-wuppertal.de 7. Juli 2004 2/13 Inhalt 1.Konzept 2.Entwicklungsstand 3.Bestehende Probleme 4.Weitere Entwicklungsstrategie 5.Fragen, Diskussion
Implementation of a Framework Component for Processing Tasks within Threads on the Application Level
Implementation of a Framework Component for Processing Tasks within Threads on the Application Level Deutsches Krebsforschungszentrum, for Processing Task within Threads on the Application Level Motivation
Vorlesung Information Retrieval Wintersemester 04/05
Vorlesung Information Retrieval Wintersemester 04/05 14. Oktober 2004 Institut für Informatik III Universität Bonn Tel. 02 28 / 73-45 31 Fax 02 28 / 73-43 82 jw@informatik.uni-bonn.de 1 Themenübersicht
Proseminar - 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
Datenbanken erstellen Liste von Datenbanken anzeigen Datenbanken löschen. MySQL 4, 5. Kapitel 06: Datenbanken. Marcel Noe
MySQL 4, 5 Kapitel 06: Datenbanken Gliederung 1 Datenbanken erstellen 2 3 Datenbanken erstellen CREATE DATABASE erstellt. Optional kann der Parameter IF NOT EXISTS die Datenbank bereits existiert.
Anwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen
Anwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen David Knötel Freie Universität Berlin, Institut für Informatik Seminar über Algorithmen Leitfaden Wiederholung
Meteorological measurements at the Offshore Platform FINO 2 - new insights -
FINO 2011 Conference May 11 th 2011, Hamburg, Germany Meteorological measurements at the Offshore Platform FINO 2 - new insights - Dipl.-Geoök. Stefan Müller, Dipl.-Ing Joachim Schwabe Content 1. FINO
DIPLOMARBEIT. Entwurf und Implementierung eines modularen USB-Stacks für eingebettete Controller ohne Betriebssystem. Uwe Pfeiffer
Fakultät Informatik Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur DIPLOMARBEIT Entwurf und Implementierung eines modularen USB-Stacks für eingebettete
Webbasierte Exploration von großen 3D-Stadtmodellen mit dem 3DCityDB Webclient
Webbasierte Exploration von großen 3D-Stadtmodellen mit dem 3DCityDB Webclient Zhihang Yao, Kanishk Chaturvedi, Thomas H. Kolbe Lehrstuhl für Geoinformatik www.gis.bgu.tum.de 11/14/2015 Webbasierte Exploration
Multimedia-Metadaten und ihre Anwendung
Multimedia-Metadaten und ihre Anwendung 14.02.2006 Video Retrieval und Video Summarization Maria Wagner Aspekte des Video Retrieval 2/14 Videoanalyse Analyse nötig, um Struktur und Metadaten zu erkennen
SemTalk Services. SemTalk UserMeeting 29.10.2010
SemTalk Services SemTalk UserMeeting 29.10.2010 Problemstellung Immer mehr Anwender nutzen SemTalk in Verbindung mit SharePoint Mehr Visio Dokumente Viele Dokumente mit jeweils wenigen Seiten, aber starker
Weka: Software-Suite mit Maschineller Lernsoftware
: Software-Suite mit Maschineller Lernsoftware Computational Linguistics Universität des Saarlandes Sommersemester 2011 21.04.2011 Erste Schritte Waikato Environment for Knowledge Analysis entwickelt von
Kapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen
Kapitel ML: I I. Einführung Beispiele für Lernaufgaben Spezifikation von Lernproblemen ML: I-8 Introduction c STEIN/LETTMANN 2005-2010 Beispiele für Lernaufgaben Autoeinkaufsberater Welche Kriterien liegen
Anfrage Erweiterung 03.11.2011 Jan Schrader
Anfrage Erweiterung 03.11.2011 Jan Schrader Vocabulary Mismatch Problem Anfrage und Dokument passen nicht zusammen obwohl Dokument zur Anfrage relevant Grund: Synonymproblem verschiedene Menschen benennen
Kapitel IR:I. I. Einführung. Retrieval-Szenarien Begriffsbildung Einordnung Information Retrieval
Kapitel IR:I I. Einführung Retrieval-Szenarien Begriffsbildung Einordnung Information Retrieval IR:I-1 Introduction STEIN 2005-2010 Retrieval-Szenarien Liefere Dokumente, die die Terme «Information» und
Information Retrieval in P2P-Netzen
Information Retrieval in P2P-Netzen Vorstellung der Vortragsthemen zum Seminar Henrik Nottelmann 30. Oktober 2003 Henrik Nottelmann 1/21 Grundstruktur A) Filesharing-Systeme (3 Themen) B) Zugriffsstrukturen
Text Mining 4. Seminar Klassifikation
Text Mining 4. Seminar Klassifikation Stefan Bordag 1. Klassifikation Stringklassifikation (männliche-weibliche Vornamen) Dokument klassifikation Bayesian Neuronal network (Decision tree) (Rule learner)
Würfelspiele und Zufall
Würfelspiele und Zufall Patrik L. Ferrari 29. August 2010 1 Random horse die Irrfahrt des Pferdchens Betrachte ein Schachbrett mit einem Pferd (Springer), welches sich nach den üblichen Springer-Regeln
Implementierung der Jikes Research Virtual Machine
Fakultät Informatik Institut für technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Implementierung der Jikes Research Virtual Machine Hauptseminar Technische Informatik
Bayes sches Lernen: Übersicht
Bayes sches Lernen: Übersicht Bayes sches Theorem MAP, ML Hypothesen MAP Lernen Minimum Description Length Principle Bayes sche Klassifikation Naive Bayes Lernalgorithmus Teil 5: Naive Bayes + IBL (V.
Agenda. Eine gute Basis: SAS Base und SAS Graph. Neue Graph Prozeduren Neuerungen in SAS Base Live Demo ausgesuchter Codes.
Eine gute Basis: SAS Base und SAS Graph Nils-Henrik Wolf Agenda Erweiterungen für SAS Graph Neue Graph Prozeduren Neuerungen in SAS Base Live Demo ausgesuchter Codes 1 ODS Graphics Statistische Prozeduren
Continuous Information Quality Assessment in Stream Based Smart City Frameworks
Continuous Information Quality Assessment in Stream Based Smart City Frameworks 19. VDE/ITG Fachtagung Mobilkommunikation Osnabrück, 22.05.2014 Thorben Iggena Tel.: +49 541/969-2723 E-Mail: t.iggena@hs-osnabrueck.de
Mittelwertvergleiche, Teil II: Varianzanalyse
FB 1 W. Ludwig-Mayerhofer Statistik II 1 Herzlich willkommen zur Vorlesung Mittelwertvergleiche, Teil II: FB 1 W. Ludwig-Mayerhofer Statistik II 2 : Wichtigste Eigenschaften Anwendbar auch bei mehr als
Textmining Klassifikation von Texten Teil 1: Naive Bayes
Textmining Klassifikation von Texten Teil 1: Naive Bayes Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten 1: Naive
Online Wissensüberprüfung mit GIA (Graphisch- Interaktive Assessments)
Online Wissensüberprüfung mit GIA (Graphisch- Interaktive Assessments) ein Werkzeug zur effizienten Gestaltung von Online-Assessments i3mainz GIA Ein Werkzeug für Online Wissensüberprüfung Onlinetests
Superpixels for Skin Segmentation
Farbworkshop Wuppertal 2014 1 Superpixels for Skin Segmentation Frerk Saxen und Ayoub Al-Hamadi 2 Fachgebiet Neuro-Informationstechnik Unter Leitung von Prof. Ayoub Al-Hamadi 18 Mitarbeiter Davon 12 Doktoranden
INTELLIGENTE 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:
Mit KI gegen SPAM. Proseminar Künstliche Intelligenz
Mit KI gegen SPAM Proseminar Künstliche Intelligenz SS 2006 Florian Laib Ausblick Was ist SPAM? Warum SPAM-Filter? Naive Bayes-Verfahren Fallbasiertes Schließen Fallbasierte Filter TiMBL Vergleich der
Einführung in der NI Plattform für WLAN Test. Ken Tobler, System Engineer National Instruments
Einführung in der NI Plattform für WLAN Test Ken Tobler, System Engineer National Instruments Agenda WLAN Test Einführung zur NI Tools Vorteile: Geschwindigkeit Flexibilität Kostenreduzierung Einführung
Neue Wege der Suche in Medienarchiven
Neue Wege der Suche in Medienarchiven Dr. Harald Sack Hasso-Plattner-Institut für Softwaresystemtechnik Universität Potsdam 3. Leipziger Semantic Web Tag, 5. Mai 2011 Das HPI wurde im Oktober 1998 im Rahmen
Vortrag zum Paper Results of the Active Learning Challenge von Guyon, et. al. Sören Schmidt Fachgebiet Knowledge Engineering
Vortrag zum Paper Results of the Active Learning Challenge von Guyon, et. al. Sören Schmidt Fachgebiet Knowledge Engineering 11.12.2012 Vortrag zum Paper Results of the Active Learning Challenge von Isabelle
Kapitel 15* Bayes Klassifikator. Theoretische Grundlagen Bayes Entscheidungstheorie
Kapitel 15* Bayes Klassifikator p. 1/56 Bayes Klassifikator Theoretische Grundlagen Bayes Entscheidungstheorie Kapitel 15* Allgemeiner Bayes Klassifikator Parametrische Methoden Normalverteilungen Gaussian
Kapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (006). Quantitative Methoden. Band (. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
Visuelle Simulation eines Radiosity Algorithmus und ihre Anwendung in Lernprozessen
Visuelle Simulation eines Radiosity Algorithmus und ihre Anwendung in Lernprozessen Abschlussvortrag zur Diplomarbeit von Jörg Karpf Graphische Datenverarbeitung, Institut für Informatik 3. September 2009
Entwicklung eines branchenspezifischen Frameworks. Nicolas With AW2 Betreuer: Olaf Zukunft
Entwicklung eines branchenspezifischen Frameworks für Nicolas With AW2 Betreuer: Olaf Zukunft Gliederung Thema Motivation Einstieg Related Work Krcmar Cao Patel Abgrenzung Ausblick 01.06.2011 2 Thema Motivation
One-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
MySQL Queries on "Nmap Results"
MySQL Queries on "Nmap Results" SQL Abfragen auf Nmap Ergebnisse Ivan Bütler 31. August 2009 Wer den Portscanner "NMAP" häufig benutzt weiss, dass die Auswertung von grossen Scans mit vielen C- oder sogar
Einführung in die Computerlinguistik
Einführung in die Computerlinguistik Statistische Modellierung I WS 2010/2011 Manfred Pinkal Wortartinformation Wortartinformation ist eine wichtige Voraussetzung für die syntaktische Analyse. Woher kommt
Erfolgstypen & Typenerfolg
Erfolgstypen & Typenerfolg Zum Zusammenhang zwischen betriebstypologischen Merkmalen und Indikatoren des Betriebserfolgs Philipp Toscani Institut für Agrar- und Forstökonomie Methodische Aspekte und analytische
Information Retrieval
Information Retrieval Bisher: Datenbankabfrage mit Hilfe von SQL in relationalen Datenbanken. Die Informationen liegen geordnet in Tabellen -> exakte Ergebnisse Neu: Die Informationen liegen in Datensammlungen
Datenvisualisierung mit JMP
Datenvisualisierung mit JMP Patrick René Warnat HMS Analytical Software GmbH Rohrbacherstr. 26 Heidelberg patrick.warnat@analytical-software.de Zusammenfassung Das JMP Paket ist ein Softwareprodukt der
Maschinelles Lernen und Data Mining: Methoden und Anwendungen
Maschinelles Lernen und Data Mining: Methoden und Anwendungen Eyke Hüllermeier Knowledge Engineering & Bioinformatics Fachbereich Mathematik und Informatik GFFT-Jahrestagung, Wesel, 17. Januar 2008 Knowledge
Maschinelles Lernen Entscheidungsbäume
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Maschinelles Lernen Entscheidungsbäume Paul Prasse Entscheidungsbäume Eine von vielen Anwendungen: Kreditrisiken Kredit - Sicherheiten
BINGO! Ein fokussierender Crawler zur Generierung personalisierter Ontologien
BINGO! Ein fokussierender Crawler zur Generierung personalisierter Ontologien Martin Theobald Stefan Siersdorfer,, Sergej Sizov Universität des Saarlandes Lehrstuhl für Datenbanken und Informationssysteme
Browser- gestützte Visualisierung komplexer Datensätze: Das ROAD System
AG Computeranwendungen und QuanLtaLve Methoden in der Archäologie 5. Workshop Tübingen 14. 15. Februar 2014 Browser- gestützte Visualisierung komplexer Datensätze: Das ROAD System Volker Hochschild, Michael
Änderungsbasiertes Requirements Management mit agosense.requirements
Änderungsbasiertes Requirements Management mit agosense.requirements REFERENT Webinar Nr. 3 6. Oktober 2015 15 Uhr bis 16 Uhr Bernd Röser Key Account Manager Kurzer Hinweis zu Beginn Fragen stellen während
Exploring the knowledge in Semi Structured Data Sets with Rich Queries
Exploring the knowledge in Semi Structured Data Sets with Rich Queries Jürgen Umbrich Sebastian Blohm Institut AIFB, Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 www.kit.ed Overview
Funktion Das Skript erstellt ROC-Kurven mit Konfidenzbändern, berechnet (gewichtete) Cutoff-Punkte und (partial) Area under the Curve (AUC, pauc).
Skriptname: ROC_pAUC7.jsl JMP-Version: JMP 7 Datum: 10.09.2007 Download: ROC.zip Funktion Das Skript erstellt ROC-Kurven mit Konfidenzbändern, berechnet (gewichtete) Cutoff-Punkte und (partial) Area under
Web Content Management Systeme
Web Content Management Systeme Konzepte und praktische Anwendung Seminar im Studienschwerpunkt Multimedia von Frithjof Klös Überblick Einleitung Überblick Motivation 1. skriterien 2. 3. Konzeptumsetzung
Seminar Text- und Datamining Datamining-Grundlagen
Seminar Text- und Datamining Datamining-Grundlagen Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 23.05.2013 Gliederung 1 Klassifikationsprobleme 2 Evaluation
Lösungsansätze zum Design erfolgreicher mobiler Anwendungen
Arbeitskreis Software -Technologien Lösungsansätze zum Design erfolgreicher mobiler Anwendungen Philipp Liebrenz, Samsung Design Europe Inhalt Einführung Was ist Interface/Interactiondesign? Geschichte
EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN
EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN T-SYSTEMS MULTIMEDIA SOLUTIONS GMBH, 16. FEBRUAR 2012 1. Schlüsselworte Semantic Web, Opinion Mining, Sentiment Analysis, Stimmungsanalyse,
SUCHMASCHINEN XAPIAN. Michael Strzempek FH Wiesbaden, 5. Juni 2008
SUCHMASCHINEN XAPIAN Michael Strzempek FH Wiesbaden, 5. Juni 2008 INHALT 1. Motivation 2. Prinzip / Vokabular 3. Xapian 4. Omega 5. Datenbank Indizierung 6. Levenshtein Distanz 7. Boolesche Suche 8. Probabilistische
The Earth Mover s Distance
The Earth Mover s Distance Till Bovermann Technische Fakultät Universität Bielefeld BILDDATENBANKEN Seminar SS 03 Tanja Kämpfe Zusammenfassung Diese Ausarbeitung beschäftigt sich mit der Earth Mover s