Vorlesung Datenbanken II SS 2006
|
|
- Bastian Lehmann
- vor 5 Jahren
- Abrufe
Transkript
1 Vorlesung Datenbanken II SS Vorlesung Datenbanken II SS 2006 Sven Wachsmuth, Technische Fakultät, AG Angewandte Informatik
2 Vorlesung Datenbanken II SS Suche in Bilddatenbanken Verschlagwortete Systeme einfache und effektive Suche auf der Basis von Schlüsselwörtern (bag-of-words Annahme Suche in Textdatenbanken) Annotation is extrem... aufwendig, anwendungsspezifisch, subjektiv Inhaltsbasierte Systeme (Suche direkt über Bildinformation)
3 Vorlesung Datenbanken II SS Suche in Bilddatenbanken Verschlagwortete Systeme einfache und effektive Suche auf der Basis von Schlüsselwörtern (bag-of-words Annahme Suche in Textdatenbanken) Annotation is extrem... aufwendig, anwendungsspezifisch, subjektiv Inhaltsbasierte Systeme (Suche direkt über Bildinformation)
4 Vorlesung Datenbanken II SS Suche in Bilddatenbanken Verschlagwortete Systeme einfache und effektive Suche auf der Basis von Schlüsselwörtern (bag-of-words Annahme Suche in Textdatenbanken) Annotation is extrem... aufwendig, anwendungsspezifisch, subjektiv Inhaltsbasierte Systeme (Suche direkt über Bildinformation)
5 Vorlesung Datenbanken II SS Suche in Bilddatenbanken Inhaltsbasierte Systeme Suche nach ähnlichen Bildern auf der Basis von Bildmerkmalen (z.b. Farbe, Textur, etc.) Semantic gap: semantische Lücke zwischen... der Bildbetrachtung des Benutzers und der Bildbeschreibung des Systems Einfacheres Problem: Wiederfinden identischer Bildausschnitte (Objekt-(Individuum-)Erkennung)
6 Vorlesung Datenbanken II SS Suche in Bilddatenbanken Inhaltsbasierte Systeme Suche nach ähnlichen Bildern auf der Basis von Bildmerkmalen (z.b. Farbe, Textur, etc.) Semantic gap: semantische Lücke zwischen... der Bildbetrachtung des Benutzers und der Bildbeschreibung des Systems Einfacheres Problem: Wiederfinden identischer Bildausschnitte (Objekt-(Individuum-)Erkennung)
7 Vorlesung Datenbanken II SS Suche in Bilddatenbanken Inhaltsbasierte Systeme Suche nach ähnlichen Bildern auf der Basis von Bildmerkmalen (z.b. Farbe, Textur, etc.) Semantic gap: semantische Lücke zwischen... der Bildbetrachtung des Benutzers und der Bildbeschreibung des Systems Einfacheres Problem: Wiederfinden identischer Bildausschnitte (Objekt-(Individuum-)Erkennung)
8 Vorlesung Datenbanken II SS [Nistér & Stewénius, 2006]
9 Vorlesung Datenbanken II SS [Nistér & Stewénius, 2006]
10 Vorlesung Datenbanken II SS [Nistér & Stewénius, 2006]
11 Vorlesung Datenbanken II SS Objekterkennung als Datenbankproblem Object Database Verify Objects Recognized Objects Hypothesize Objects Canditate Objects Group Features Primitives Input Image Extract Features Image features
12 Vorlesung Datenbanken II SS Objekterkennung als Datenbankproblem Object Database: Bilder Features: Merkmalsvektoren pro Bild Grouping: Indexierung durch alle Merkmale im Bild Hypotheses: Suche nach ähnlichem Index in DB Verifikation: Filterung der n-besten Antworten
13 Vorlesung Datenbanken II SS Objekterkennung als Datenbankproblem Object Database: Bilder Features: Merkmalsvektoren pro Bild Grouping: Indexierung durch alle Merkmale im Bild Hypotheses: Suche nach ähnlichem Index in DB Verifikation: Filterung der n-besten Antworten Performanz: Wie können wir eine möglichst genaue Antwort erreichen? Effizienz: Wie können wir akzeptable Antwortzeiten (1 5 sec) erreichen?
14 Vorlesung Datenbanken II SS Bildmerkmale SIFT-Merkmale
15 Vorlesung Datenbanken II SS : vocabulary tree Aufbau des vocabulary-tree
16 Vorlesung Datenbanken II SS : Scoring Bilddarstellung: Histogramm über Knoten des vocabulary tree Anfrage-Bild: q = (q 1,..., q K ) mit q i = n i w i DB-Bild: d = (d 1,..., d K ) mit d i = m i w i mit n i, m i Anzahl des Auftretens von Deskriptorvektoren des Anfrage- bzw. DB-bildes mit einem Pfad durch Knoten i. N : #Bilder in DB w i = ln N i : #Bilder mit Deskriptor-Pfad durch i
17 Vorlesung Datenbanken II SS : Scoring s(q, d) = q q d d Wie können wir diese Formel effizient auf dem vocabulary tree auswerten? Dort sind für ein q i 0 alle Bilder eingetragen mit d i 0. Daher Zerlegung der Summe: q d p p = X q i d i p = X q i p + X d i p + X q i d i p i i d i =0 = q p p + d p p + X = 2 + X i q i 0,d i 0 i q i 0,d i 0 i q i =0 i q i 0,d i 0 ( q i d i p q i p d i p ) ( q i d i p q i p d i p )
18 Vorlesung Datenbanken II SS : Scoring s(q, d) = q q d d Wie können wir diese Formel effizient auf dem vocabulary tree auswerten? Dort sind für ein q i 0 alle Bilder eingetragen mit d i 0. Daher Zerlegung der Summe: q d p p = X q i d i p = X q i p + X d i p + X q i d i p i i d i =0 = q p p + d p p + X = 2 + X i q i 0,d i 0 i q i 0,d i 0 i q i =0 i q i 0,d i 0 ( q i d i p q i p d i p ) ( q i d i p q i p d i p )
19 Vorlesung Datenbanken II SS Generierung von Anfrage Hypothesen Vorverarbeitung (offline) 1 Generierung des vocabulary tree (ca Bilder, 128 dim. Merkmale, Tiefe 6, Verzweifungsfaktor 10) 2 Merkmalsberechnung auf DB (6376 Bilder, ca. 2,5 Tage mit Specherung in DB). 3 Generierung des inverted file, Berechnung der Knotengewichte w i, Speicherung der term frequencies m i.
20 Vorlesung Datenbanken II SS Generierung von Anfrage Hypothesen Abfrage (online): 1 Berechnung der Merkmale (0.2 sec) 2 Für jedes Merkmal berechne Pfad im vocabulary tree, Akkumulation der Bewertungen (6376 DB-Bilder, ca. 0.7 sec) 3 Zugriff auf n Bilder mit maximal akkumulierter Bewertung (ca. 10 msec pro Bild)
21 Vorlesung Datenbanken II SS Performance Ergebnisse (Recall-Rate)
Stephan Filipczyk. Relevance Feedback. Seminar Bridging the Semantic Gap
Stephan Filipczyk Relevance Feedback Seminar Bridging the Semantic Gap Übersicht Motivation Komponenten und Funktionsweise Ausprägungen Voraussetzungen und Herausforderungen Fragen Seminar "Bridging the
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
MehrHuman Detection Based On Part Models
Human Detection Based On Part Models Seminar: Mobile Human Detection Systems William Basilien Kom MatrNr: 3098186 Institute of Computer Engineering 13. März 2017 1 / 25 Motivation 2 / 25 Inhaltsverzeichnis
MehrScene Reconstruction with Multiple View Geometry
Scene Reconstruction with Multiple View Geometry Anwendungen 2 16.06.2010 Nikolaus Rusitska nikolausrusitska@gmx.de Inhalt Rückblick Techniken Related Work Fazit 1 Rückblick Techniken Related Work Fazit
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
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
MehrEffizientes Fotomanagement auf Basis automatisierter Bildanalyse
Effizientes Fotomanagement auf Basis automatisierter Bildanalyse Am Beispiel der Technologie Photo Summary Uwe Kühhirt Gruppe Audiovisuelle Systeme Fraunhofer IDMT, Ilmenau uwe.kuehhirt@idmt.fraunhofer.de
MehrR a i n e r N i e u w e n h u i z e n K a p e l l e n s t r G r e v e n T e l / F a x / e
R a i n e r N i e u w e n h u i z e n K a p e l l e n s t r. 5 4 8 6 2 8 G r e v e n T e l. 0 2 5 7 1 / 9 5 2 6 1 0 F a x. 0 2 5 7 1 / 9 5 2 6 1 2 e - m a i l r a i n e r. n i e u w e n h u i z e n @ c
MehrS o n n t a g, 5. A u g u s t
S o n n t a g, 5. A u g u s t 2 0 1 8 R ü c k b l i c k, A b s c h i e d, v i e l p a s s i e r t u n d k e i n e Z e i t D r e i M o n a t e s i n d v e r g a n g e n, v o l l g e s t o p f t m i t s
MehrS o n n t a g, 2 6. N o v e m b e r
S o n n t a g, 2 6. N o v e m b e r 2 0 1 7 A u s f l u g n a c h N e v a d a u n d A r i z o n a D e r g r o ß e S o h n u n d i c h g i n g e n a u f e i n e F a h r t i n R i c h t u n g N e v a d a
MehrF r e i t a g, 3. J u n i
F r e i t a g, 3. J u n i 2 0 1 1 L i n u x w i r d 2 0 J a h r e a l t H o l l a, i c h d a c h t e d i e L i n u x - L e u t e s i n d e i n w e n i g v e r n ü n f t i g, a b e r j e t z t g i b t e
MehrL 3. L a 3. P a. L a m 3. P a l. L a m a 3. P a l m. P a l m e. P o 4. P o p 4. L a. P o p o 4. L a m. Agnes Klawatsch
1 L 3 P 1 L a 3 P a 1 L a m 3 P a l 1 L a m a 3 P a l m 2 P 3 P a l m e 2 P o 4 L 2 P o p 4 L a 2 P o p o 4 L a m 4 L a m p 6 N a 4 L a m p e 6 N a m 5 5 A A m 6 6 N a m e N a m e n 5 A m p 7 M 5 A m p
MehrProseminar "Aufgabenstellungen der Bildanalyse und Mustererkennung"
Fakultät Informatik, Institut für künstliche Intelligenz, Intelligent Systems Proseminar "Aufgabenstellungen der Bildanalyse und Mustererkennung" Lokale Merkmalsdeskriptoren Jens Stormberg - Dresden, 19.06.2009
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
MehrInverted Files for Text Search Engines
Inverted Files for Text Search Engines Justin Zobel, Alistair Moffat PG 520 Intelligence Service Emel Günal 1 Inhalt Einführung Index - Inverted Files - Indexkonstruktion - Indexverwaltung Optimierung
MehrKapitel 4: Data Mining
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS Skript zur Vorlesung: Einführung in die Informatik: Systeme und Anwendungen Sommersemester 2017 Kapitel 4: Data Mining Vorlesung:
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
MehrVorlesung Datenbanken II SS 2006
Vorlesung Datenbanken II SS 2006 1 Vorlesung Datenbanken II SS 2006 Sven Wachsmuth, Technische Fakultät, AG Angewandte Informatik Vorlesung Datenbanken II SS 2006 2 3.4 ODBMS: ODMG Datenmodell ODMG Interface
Mehr3. Analyse der Kamerabewegung Video - Inhaltsanalyse
3. Analyse der Kamerabewegung Video - Inhaltsanalyse Stephan Kopf Bewegungen in Videos Objektbewegungen (object motion) Kameraoperationen bzw. Kamerabewegungen (camera motion) Semantische Informationen
MehrBachelorverteidigung Marco Franke
Bachelorverteidigung Java EE Webservice basiert auf RESTlet, JaxB und JPA/Hibernate zur Bilderkennung mit Hilfe der SURF-Merkmalsextraktion Verantwortlicher Professor: Prof. Dr. rer. nat. Klaus Hering
MehrBilder. Bildsuchmaschiene. Bildsuche. Überblick. Beispiele im WWW. Inhaltsbasierte Bildsuche Motivation
Bilder Inhaltsbasierte Bildsuche Motivation Informatica Feminale Universität Bremen, Aug. 2005 Maja Temerinac Albert-Ludwigs-Universität Freiburg Ein Bild sagt mehr als tausend Worte. Chinesisches Sprichwort
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
MehrCaliph & Emir. Retrieval und Annotation von digitalen Photos mit MPEG-7. Mathias Lux
Caliph & Emir Retrieval und Annotation von digitalen Photos mit MPEG-7 Mathias Lux mlux@know-center.at - gefördert durch das Kompetenzzentrenprogramm Overview Einleitung Geschichtliches Annotation mit
Mehr(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
MehrProjektinhalt. Agenda. Semantische Such- und Vergleichsfunktionen für ein Multimedia-Repository. MOCCA Überblick
Semantische Such- und Vergleichsfunktionen für ein Multimedia-Repository! Projektthema! Globale Herausforderungen des Projektes!! Audio-Authoring! Anwendungsszenario!! Crawling Engine! -Datenbank! Information
MehrEntwicklung 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
MehrDatenbanken: Indexe. Motivation und Konzepte
Datenbanken: Indexe Motivation und Konzepte Motivation Warum sind Indexstrukturen überhaupt wünschenswert? Bei Anfrageverarbeitung werden Tupel aller beteiligter Relationen nacheinander in den Hauptspeicher
Mehr6. Texterkennung in Videos Videoanalyse
6. Texterkennung in Videos Videoanalyse Dr. Stephan Kopf 1 Übersicht Motivation Texterkennung in Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben 3. Auswahl der Buchstabenpixel
MehrHow To Create A Panorama Image From A Photoelectric Image From An Image From The Camera (I)
Chapter 3 Image Registration Distributed Algorithms for Einführung (I) Definition: Image Registration Gegeben: 2 Bilder der gleichen Szene aber aufgenommen aus unterschiedlichen Perspektiven Gesucht: Transformation,
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
MehrEin strukturiertes Konzept zum inhaltsbasierten Zugriff auf medizinische Bildarchive
Ein strukturiertes Konzept zum inhaltsbasierten Zugriff auf medizinische Bildarchive T. Lehmann a, B. Wein b, J. Dahmen c, J. Bredno a, F. Vogelsang b, M. Kohnen b a Institut für Medizinische Informatik,
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
MehrSEMACODE: Semantische Kodierung von Bildern
SEMACODE: Semantische Kodierung von Bildern Situation: hohes Aufkommen digitaler Bilddaten Verknüpfung multimedialer Daten (Text, Bilder, Sprache ) Problem: automatische inhaltliche Charakterisierung von
MehrThomas Matzner Berater für Systemanalyse Couchbase. Java User Group München
Thomas Matzner Berater für Systemanalyse www.tamatzner.de Couchbase Java User Group München 18. 1. 2016 Überblick Warum Couchbase bei der Einkaufszettel- App? Eigenschaften von Couchbase Entwicklung mit
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
MehrABP Wo steckt der Fehler in der SQL-Anfrage? Semantische Prüfung von Lösungen Prof. Dr. Inga Marina Saatz
ABP 017 Wo steckt der Fehler in der SQL-Anfrage? Semantische Prüfung von Lösungen 017 - Prof. Dr. Inga Marina Saatz Inhaltsübersicht Prof. Inga M. Dr. Saatz I. Saatz Datenbanken SQLearn 1 Fachbereich ABP
MehrAlltagstaugliche Objekterkennung
servicerobotik autonome mobile Serviceroboter, ZAFH Servicerobotik Institut für Informatik Hochschule Ulm AG Schlegel: B. Sc. Timo Hägele, M. Sc. Siegfried Hochdorfer, M. Sc. Matthias Lutz, M. Sc., M.
MehrZusatzskript Datenmanagement: physische Strukturen B+- und B*-Baum B+-Baum
Seite 1 Zusatzskript Datenmanagement: physische Strukturen B+- und B*-Baum B+-Baum Bild-1 Dargestellt ist die Speicherung der Personentabelle als B+-Baum anhand der Personen-Nummer (PersNr). Die Blattebene
MehrIndexstrukturen 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
MehrKapitel 31 Bild- und Tonretrieval. HHU Düsseldorf, WS 2008/09 Information Retrieval 483
Kapitel 31 Bild- und Tonretrieval HHU Düsseldorf, WS 2008/09 Information Retrieval 483 Multimedia Information Retrieval Content-based Information Retrieval gesprochene Sprache Musik und weitere Audio-Dokumente
MehrEine Indexstruktur zur schnellen Nächste-Nachbar-Suche im metrischen Raum
Eine struktur zur schnellen Nächste-Nachbar-Suche im metrischen Raum (Zusammenarbeit mit Sören Balko) Brandenburgische Technische Universität Cottbus Institut für Informatik 4. Juli 2007 Gliederung 1 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
MehrKlassifikation durch direkten Vergleich (Matching)
Klassifikation durch direkten Vergleich (Matching) Eine triviale Lösung für die Klassifikation ergibt sich durch direkten Vergleich des unbekannten Musters in allen Erscheinungsformen der Äquivalenzklasse
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
MehrNoSQL Andere Wege in der Speicherung von Geodaten?
NoSQL Andere Wege in der Speicherung von Geodaten? Holger Baumann, Agenda Status Quo Speicherung von Geodaten in SQL-Datenbanken Datenbanken im Web Umfeld Verteilte Datenbanken Begriff und Klassifizierung
MehrMultimedia-Datenbanken im SS 2010 Ähnlichkeitsmaße II
Multimedia-Datenbanken im SS 2010 Ähnlichkeitsmaße II Dr.-Ing. Marcin Grzegorzek 22.06.2010 Inhalte und Termine 1. Einführung in MMDB 1.1 Grundlegende Begriffe 1.2 Suche in einem MMDBS 1.3 MMDBMS-Anwendungen
MehrAnwendung von Vektormodell und boolschem Modell in Kombination
Anwendung von Vektormodell und boolschem Modell in Kombination Julia Kreutzer Seminar Information Retrieval Institut für Computerlinguistik Universität Heidelberg 12.01.2015 Motivation Welche Filme sind
MehrEin Content Delivery Portal für beliebige CMS und weitere Datenquellen
Ein Content Delivery Portal für beliebige CMS und weitere Datenquellen Christian Mäder, Senior Sales Manager, Empolis Information Management GmbH Content Delivery Symposium, Stuttgart, 27.09.2016 Seite
MehrInformation Retrieval oder: wie Suchmaschinen funktionieren
Information Retrieval oder: wie Suchmaschinen funktionieren Prof. Dr. Andreas Henrich Angewandte Informatik I Softwaretechnik und Informationssysteme Fakultät für Mathematik und Physik Universität Bayreuth
MehrInformation Retrieval, Vektorraummodell
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Information Retrieval, Vektorraummodell Tobias Scheffer Paul Prasse Michael Großhans Uwe Dick Information Retrieval Konstruktion
MehrRecommender Systeme mit Collaborative Filtering
Fakultät für Informatik Technische Universität München Email: rene.romen@tum.de 6. Juni 2017 Recommender Systeme Definition Ziel eines Recommender Systems ist es Benutzern Items vorzuschlagen die diesem
MehrKennen, können, beherrschen lernen was gebraucht wird
Inhaltsverzeichnis Inhaltsverzeichnis... 1 Erweiterte Summenfunktionen... 1 Die Funktion SummeWenn... 1... 1 Die Funktion SummeWenns... 2 Aufgabenstellung... 2 Die Funktion Summenprodukt... 3 Das Summenprodukt
MehrMultimedia-Datenbanken im SS 2010 Einführung in MMDB
Multimedia-Datenbanken im SS 2010 Einführung in MMDB Dr.-Ing. Marcin Grzegorzek 27.04.2010 Ähnlichkeitssuche in Multimedia-Datenbanken 2/ 28 Inhalte und Termine 1. Einführung in MMDB 1.1 Grundlegende Begriffe
MehrMultiple Alignments. Vorlesung Einführung in die Angewandte Bioinformatik Prof. Dr. Sven Rahmann. Webseite zur Vorlesung
Multiple Alignments Vorlesung Einführung in die Angewandte Bioinformatik Prof. Dr. Sven Rahmann Webseite zur Vorlesung http://bioinfo.wikidot.com/ Sprechstunde Mo 16-17 in OH14, R214 Sven.Rahmann -at-
MehrHistogramm-anschaulich. Histogramme und Bilder. Histogramm-mathematisch. Farbhistogramm. Grauwerthistogramm. Inhaltsbasierte Bildsuche Histogramme
Inhaltsbasierte Bildsuche Histogramme Universität Bremen, Aug. Histogramm-anschaulich Zum Messen von Häufigeiten eines Mermals (Hier: Zahlen - in der Matrix) /9 /9 /9 /9.%.% %.%.%,,,, /8/ Histogramme,
MehrCool Hashing. Ein Überblick über energieeffiziente Ansätze. Patrick Tempel. Dresden,
Fakultät Informatik, Institut für Angewandte Informatik, Professur für Technische Informationssysteme Cool Hashing Ein Überblick über energieeffiziente Ansätze Dresden, 28.11.2011 Patrick Tempel Inhalt
MehrMultimedia-Metadaten und ihre Anwendung
Multimedia-Metadaten und ihre Anwendung 14.02.2006 MPEG-7: Überblick und Zusammenfassung Anneke Winter Inhalt der Präsentation 1. MPEG 2. Einordnung in die MPEG Familie 3. MPEG-7 Idee 4. MPEG-7 Hauptelemente
MehrZusammenführung und Vereinheitlichung von Eisenbahn-Streckennetzdaten Alexander Matheisen
Zusammenführung und Vereinheitlichung von Eisenbahn-Streckennetzdaten Alexander Matheisen FOSSGIS 2017, Passau Über mich Alexander Matheisen seit 2008 bei OpenStreetMap aktiv
MehrInformation Retrieval
Information Retrieval 1 Information Retrieval Norbert Fuhr 13. Oktober 2011 Einführung 1 IR in Beispielen 2 Was ist IR? 3 Daten Information Wissen 4 Dimensionen des IR 5 Rahmenarchitektur für IR-Systeme
MehrFlächenaggregation LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Kartografie Flächenaggregation LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 09.07.2013 1 Flächenaggregation Flächennutzung
Mehr4. OBDDs und Modellüberprüfung
4. OBDDs und Modellüberprüfung OBDD Ordered Binary Decision Diagrams Geordnete binäre Entscheidungsdiagramme Binäres Entscheidungsdiagramm: in der einfachsten Form ein binärer Entscheidungsbaum, in dem
MehrSemiautomatische Erschließung von Psychologie-Information
PETRUS-Workshop "Automatische Erschließungsverfahren" 21./22.03.2011 Dipl.-Psych. Michael Gerards Semiautomatische Erschließung von Psychologie-Information Kontext Die Literaturdatenbank PSYNDEX: Erschließt
MehrSuche nach korrespondierenden Pixeln
Suche nach korrespondierenden Pixeln Seminar Algorithmen zur Erzeugung von Panoramabildern Philip Mildner, Gliederung 1. Motivation 2. Anforderungen 3. Moravec Detektor 4. Harris Detektor 5. Scale Invariant
MehrInformation Retrieval und Question Answering
und Question Answering Kai Kugler 19. November 2009 Auffinden von relevantem Wissen Die Relevanz der aufzufindenden Information ist abhängig vom... aktuellen Wissen des Benutzers dem aktuellen Problem
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
MehrSemantische Klassifikation und Ähnlichkeit von Objekten (Produkten)
Semantische Klassifikation und Ähnlichkeit von Objekten (Produkten) Berlin, 13.04.2007 Sven Schwarz Kurze Information Privates Hobby Neben eigentlicher Forschung / PhD / Freizeit Seit kurzem unterstützt
MehrDiplomarbeit. Entwurf eines TI-Coaching Systems. von. Christof Kuhn
Diplomarbeit Entwurf eines TI-Coaching Systems von Christof Kuhn Warum TI-Coaching System? Theoretische Informatik fällt vielen schwer Sie ist aber sehr wichtig für die Informatik Sie ist nicht wirklich
MehrFlorian Hopf www.florian-hopf.de @fhopf. elasticsearch. Bern 07.10.2015
Florian Hopf www.florian-hopf.de @fhopf elasticsearch. Bern 07.10.2015 Agenda Suche Verteilung Elasticsearch und Java Aggregationen Zentralisiertes Logging Suche Installation # download archive wget https://download.elastic.co/elasticsearch
MehrHäufige Mengen ohne Kandidatengenerierung
Häufige Mengen ohne Kandidatengenerierung Jiawei Han, Micheline Kamber 2006 (2nd ed.) Ziel 1: Kompression der Datenbank in eine Frequent-Pattern Tree Struktur (FP-Tree) Stark komprimiert, vollständig bzgl.
MehrKapitel 1.4. Exkurs: Entscheidbarkeit und Komplexität. Mathematische Logik (WS 2012/3) K. 1.4: Entscheidbarkeit und Komplexität 1/10
Kapitel 1.4 Exkurs: Entscheidbarkeit und Komplexität Mathematische Logik (WS 2012/3) K. 1.4: Entscheidbarkeit und Komplexität 1/10 Algorithmen Ein Algorithmus oder eine Rechenvorschrift ist ein effektives
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
MehrMetadaten in Service Repositories
AIFB Metadaten in Service Repositories Steffen Lamparter, Sudhir Agarwal Institut AIFB / KSRI, Universität Karlsruhe (TH) Bibliothekartag Mannheim, 4. Juni 2008 Agenda 1 Einführung Metadaten und Dienste
MehrObjekterkennung mit SIFT-Merkmalen
Hochschule für Angewandte Wissenschaften Hamburg 06. Januar 2010 Gliederung Problemstellung SIFT-Verfahren Merkmalsvergleich zur Identifikation von Gegenständen Zusammenfassung und Ausblick Problemstellung
MehrZentrum für Bioinformatik. Übung 4: Revision. Beispielfragen zur Klausur im Modul Angewandte Bioinformatik (erste Semesterhälfte)
Andrew Torda Björn Hansen Iryna Bondarenko Zentrum für Bioinformatik Übung zur Vorlesung Angewandte Bioinformatik Sommersemester 2014 20./23.06.2014 Übung 4: Revision Beispielfragen zur Klausur im Modul
MehrSIFT Flow Dense Correspondence across Different Scenes
Moritz Schmidt SIFT Flow Dense Correspondence across Different Scenes 1 Motivation Bildregistrierung Bilder ähnlicher Szenen in Übereinstimmung bringen Transformation eines Bildes zu Referenzbild Optimierungsproblem
MehrKlassen von Retrieval-Modellen. Boolesche und Vektorraum- Modelle. Weitere Modell-Dimensionen. Retrieval-Modelle. Boolesche Modelle (Mengen-basiert)
Klassen von Retrieval-Modellen Boolesche und Vektorraum- Modelle Boolesche Modelle (Mengen-basiert) Erweitertes Boolesches Modell Vektorraummodelle (vector space) (statistisch-algebraischer Ansatz) Latente
MehrÜbersichtliche Darstellung von Vertriebsleistungen
Übersichtliche Darstellung von Vertriebsleistungen Dr. Egmont Foth Alcatel Business Systems Deutschland GmbH Im Vertrieb sind regelmäßige Soll/Ist-Vergleiche insbesondere zum Auftragseingang, Umsatz und
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 : col 1 col
MehrDigitale Bildverarbeitung Einheit 10 Merkmalsextraktion
Digitale Bildverarbeitung Einheit 10 Merkmalsextraktion Lehrauftrag SS 2006 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass das
MehrÜbungen zu Multimedia-Datenbanken Aufgabenblatt 4 - Musterlösungen
Übungen zu Multimedia-Datenbanken Aufgabenblatt 4 - Musterlösungen Übung: Dipl.-Inf. Tina Walber Vorlesung: Dr.-Ing. Marcin Grzegorzek Fachbereich Informatik, Universität Koblenz Landau Ausgabe: 31.0.2010
MehrEvaluierung und Retrievalmaße. Seminar experimentelle Evaluierung In Information Retrieval WS05/06
Evaluierung und Retrievalmaße Seminar experimentelle Evaluierung In Information Retrieval WS05/06 Einleitung - Evaluierung Wichtig für IR Zusammenhang zwischen einer Suchanfrage und den zurückgegebenen
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Taubertsberg R. 0-0 (Persike) R. 0-1 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet0.sowi.uni-mainz.de/
MehrProjektgruppe. Knowledge Representation Persistence and Reasoning
Projektgruppe Seminarvortrag von Stefan Middeke Knowledge Representation Persistence and Reasoning 4. Juni 2010 Überblick Motivation Repräsentation der Daten Speicherung und Abfrage von Daten Folgerungen
MehrChapter 1 : þÿ b e t a t h o m e m o b i l e L i v e - C h a t c h a p t e r
Chapter 1 : þÿ b e t a t h o m e m o b i l e L i v e - C h a t c h a p t e r þÿ s u p e r d e l a r o u l e t t e c a s i n o w i n P r i x m a c h i n e s o u s v i d e h e n k e l m a n B e t A t. d
MehrVorlesung Datenbanken II SS 2006
Vorlesung Datenbanken II SS 2006 1 Vorlesung Datenbanken II SS 2006 Sven Wachsmuth, Technische Fakultät, AG Angewandte Informatik Vorlesung Datenbanken II SS 2006 2 4.2.2 XML-Anfragesprachen Konzepte von
MehrAngewandte Informatik
Angewandte Informatik Analyse des Graphs G zur Bestimmung von Parallel- undreihenschaltung Prof. Dr. Nikolaus Wulff Gewichteter Multigraph Die Adjazenzmatrix eines Graphen eignet sich auch zur Analyse
MehrNumerisches Programmieren, Übungen
Technische Universität München SS 2011 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dr. Slobodan Ilic Numerisches Programmieren, Übungen 4. Übungsblatt: Gauß-Elimination,
MehrNamed Entity Recognition auf Basis von Wortlisten
Named Entity Recognition auf Basis von Wortlisten EDM SS 2017 Lukas Abegg & Tom Schilling Named Entity Recognition auf Basis von Wortlisten Lukas Abegg - Humboldt Universität zu Berlin Tom Schilling -
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken SQL, Häufige Mengen Nico Piatkowski und Uwe Ligges 11.05.2017 1 von 16 Überblick Was bisher geschah... Modellklassen Verlustfunktionen Numerische Optimierung Regularisierung
MehrXPath-Aware Chunking of XML-Documents
XPath-Aware Chunking of XML-Documents Wolfgang Lehner Florian Irmert Technische Universität Dresden Fakultät Informatik Institut für Systemarchitektur (Datenbanken) Universität Erlangen-Nürnberg Institut
MehrÜbungen zu Multimedia-Datenbanken Aufgabenblatt 2 - Musterlösungen
Übungen zu Multimedia-Datenbanken Aufgabenblatt 2 - Musterlösungen Übung: Dipl.-Inform. Tina Walber Vorlesung: Dr.-Ing. Marcin Grzegorzek Fachbereich Informatik, Universität Koblenz Landau Ausgabe: 03.05.200
MehrFlächenaggregation. Benjamin Niedermann Vorlesung Algorithmische Kartografie /
Vorlesung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 30.04.205/05.05.205 Flächennutzung Maßstab
MehrFitting 3D Models to Images
Proseminar "Aufgabenstellungen der Bildanalyse und Mustererkennung" Fitting 3D Models to Images WS 08/09 Gliederung Einleitung Pose Consistency perspective Camera affine/projective Camera Linearkombinationen
MehrAbschnitt 19: Sortierverfahren
Abschnitt 19: Sortierverfahren 19. Sortierverfahren 19.1 Allgemeines 19.2 Einfache Sortierverfahren 19.3 Effizientes Sortieren: Quicksort 19.4 Zusammenfassung 19 Sortierverfahren Informatik 2 (SS 07) 758
Mehr