Gestenbasierte Steuerung von interaktiven Umgebungen mithilfe der Microsoft Kinect
|
|
- Adolph Franke
- vor 7 Jahren
- Abrufe
Transkript
1 Fakultät Informatik Institut für Software- und Multimediatechnik, Professur für Computergraphik und Visualisierung Gestenbasierte Steuerung von interaktiven Umgebungen mithilfe der Microsoft Kinect Diplomverteidigung Ludwig Schmutzler Dresden,
2 Quelle: Folie 2
3 Motivation Verfolgen und Interpretieren von Nutzerbewegungen Steuerung virtueller Objekte / Auslösen von Aktionen Microsoft Kinect ermöglicht das Nachverfolgen in 3D Bild-Quelle: Folie 3
4 Zielstellung der Arbeit Beschränkung auf Hände und Arme, Ausnutzung d. Potenzials der Kinect Anforderungen: Robustheit gegenüber Lichtverhältnissen Kleidung Körperproportionen Kamera-/Nutzerstandort Folie 4
5 Zielstellung der Arbeit Beschränkung auf Hände und Arme, Ausnutzung d. Potenzials der Kinect Anforderungen: Robustheit gegenüber Lichtverhältnissen Kleidung Körperproportionen Kamera-/Nutzerstandort Kinect geeignete Modellbeschreibung Folie 5
6 Zielstellung der Arbeit Beschränkung auf Hände und Arme, Ausnutzung d. Potenzials der Kinect Anforderungen: Robustheit gegenüber Lichtverhältnissen Kleidung Körperproportionen Kamera-/Nutzerstandort Kinect geeignete Modellbeschreibung Folie 6
7 Zielstellung der Arbeit Beschränkung auf Hände und Arme, Ausnutzung d. Potenzials der Kinect Anforderungen: Robustheit gegenüber Lichtverhältnissen Kleidung Körperproportionen Kamera-/Nutzerstandort Kinect geeignete Modellbeschreibung schnelle Berechnungen, Echtzeitfähigkeit Erkennung von arbiträren Gesten aus dem Bewegungsfluss heraus Folie 7
8 Zielstellung der Arbeit besondere Herausforderungen: Entwickeln eines Gestenkonzeptes komplexes Zusammenspiel der einzelnen System-Komponenten realisieren Ungenauigkeiten des Trackings durch robustes Filtern ausgleichen Folie 8
9 Gliederung 1. Grundlagen Modellkomponenten, Gestenkonzept 2. Gestenerkennungssystem Sensordaten, Posenmodell, Erkennungsverfahren 3. Diskussion Ergebnisse, Bewertung, Ausblick 4. Demonstration Folie 9
10 1. Grundlagen Folie 10
11 Theoretische Grundlagen Gestenkosmos Ein Blick in die reale Welt: Gesten sind Kommunikationsmittel, wichtig für den Menschen Beispiel Folie 11
12 Theoretische Grundlagen Gestenkosmos Bild-Quelle: Folie 12
13 Theoretische Grundlagen Modellierung Geste (Wieder-)Erkennen Interpretieren Folie 13
14 Theoretische Grundlagen Modellierung Geste (Wieder-)Erkennen Interpretieren Bedeutungsmodellierung ist Aufgabe der Anwendung Demonstrationsanwendung im Rahmen der Arbeit Folie 14
15 Theoretische Grundlagen Modellierung Geste (Wieder-)Erkennen einer Struktur über ein Modell Interpretieren Modellierungskonzepte: explizites Vorgeben von Größen Definieren von Zustandsfolgen Bedeutungsmodellierung ist Aufgabe der Anwendung Demonstrationsanwendung im Rahmen der Arbeit mathematische Beschreibung von Bewegungskurven Aufzeichnen von Zeitreihen durch den Nutzer Folie 15
16 Theoretische Grundlagen Modellierung Geste (Wieder-)Erkennen einer Struktur über ein Modell Interpretieren Modellierungskonzepte: explizites Vorgeben von Größen Definieren von Zustandsfolgen Bedeutungsmodellierung ist Aufgabe der Anwendung Demonstrationsanwendung im Rahmen der Arbeit mathematische Beschreibung von Bewegungskurven Aufzeichnen von Zeitreihen durch den Nutzer Im Rahmen der Arbeit verwendet Folie 16
17 Theoretische Grundlagen Modellierung Noch etwas mehr Modellierung modularer Mensch, funktionale Trennung von Hand und restl. Oberkörper Hand Handposition Handform Oberkörper Körperwinkel Folge von Körperhaltungen Folie 17
18 Theoretische Grundlagen Modellierung Noch etwas mehr Modellierung modularer Mensch, funktionale Trennung von Hand und restl. Oberkörper Hand Handposition Handform Oberkörper Körperwinkel Folge von Körperhaltungen Gestenarten [KS05]: deiktische Geste manipulative Geste semaphorische Geste Folie 18
19 Theoretische Grundlagen Modellierung Noch etwas mehr Modellierung modularer Mensch, funktionale Trennung von Hand und restl. Oberkörper Hand Handposition Handform Oberkörper Körperwinkel Folge von Körperhaltungen Gestenarten [KS05]: deiktische Geste manipulative Geste semaphorische Geste Folie 19
20 Theoretische Grundlagen Modellierung Noch etwas mehr Modellierung modularer Mensch, funktionale Trennung von Hand und restl. Oberkörper Hand Handposition Handform Oberkörper Körperwinkel Folge von Körperhaltungen Gestenarten [KS05]: deiktische Geste manipulative Geste semaphorische Geste Folie 20
21 Theoretische Grundlagen Modellierung Noch etwas mehr Modellierung modularer Mensch, funktionale Trennung von Hand und restl. Oberkörper Hand Handposition Handform Oberkörper Körperwinkel Folge von Körperhaltungen Gestenarten [KS05]: deiktische Geste manipulative Geste semaphorische Geste Folie 21
22 Theoretische Grundlagen Modellierung Noch etwas mehr Modellierung modularer Mensch, funktionale Trennung von Hand und restl. Oberkörper Hand Handposition Handform Oberkörper Körperwinkel Folge von Körperhaltungen Gestenarten [KS05]: deiktische Geste manipulative Geste semaphorische Geste Aufgabe des Erkennersystems Folie 22
23 2. Gestenerkennungssystem Folie 23
24 Gestenerkennung Übersicht Gesamtsystem Kinect Gestenerkenner Applikation Nutzeraktion Folie 24
25 Gestenerkennung Übersicht Gesamtsystem Kinect Gestenerkenner Applikation Nutzeraktion Folie 25
26 Gestenerkennung Sensordaten Kinect Sensor liefert mit 30 fps [Mic12]: RGB-Video (bis 1280x960) Tiefendaten (bis 640x480), Objekt - Abstand in Millimetern (13-bit) Folie 26
27 Gestenerkennung Sensordaten Kinect Sensor liefert mit 30 fps [Mic12]: RGB-Video (bis 1280x960) s 3 s 2 s 8 s 4 Tiefendaten (bis 640x480), Objekt - Abstand in Millimetern (13-bit) s 9 s 5 s 1 s 0 s 10 s 6 s 11 s 16 s 12 s 7 Skelettdaten: 20 markante Körperpunkte im sog. Skeleton Space, werden automatisch nachverfolgt s 17 s 13 s 18 s 14 s 19 s 15 Folie 27
28 Gestenerkennung Sensordaten interne Glättungsfunktionen für Skelettdaten dennoch: Trackingprobleme bei Überdeckung von Körperteilen s 3 s 2 s 8 s 4 s 9 s 5 s 1 s 0 s 10 s 6 s 11 s 16 s 12 s 7 s 17 s 13 s 18 s 14 s 19 s 15 Folie 28
29 Gestenerkennung Sensordaten interne Glättungsfunktionen für Skelettdaten Torso dennoch: Trackingprobleme bei Überdeckung von Körperteilen s 3 s 2 s 8 s 4 s 9 s 5 s 1 Steigerung der Robustheit durch Neuberechnung der Torsopunkte s 0 s 10 s 6 s 11 s 16 s 12 s 7 s 17 s 13 s 18 s 14 s 19 s 15 Folie 29
30 Gestenerkennung Übersicht Gesamtsystem Kinect Gestenerkenner Applikation Tiefendaten Skelettdaten Nutzeraktion Folie 30
31 Gestenerkennung Übersicht Gesamtsystem Kinect Gestenerkenner Applikation Tiefendaten Skelettdaten reine Skelettdaten ungeeignet! Nutzeraktion Folie 31
32 Gestenerkennung Modellansatz gesucht ist Beschreibungsform invariant gegenüber: Lage und Orientierung der Kinect Kamera Körpermaßen der Nutzer Folie 32
33 Gestenerkennung Modellansatz gesucht ist Beschreibungsform invariant gegenüber: Lage und Orientierung der Kinect Kamera Körpermaßen der Nutzer Winkelrepräsentationen sind geeignet und werden häufig verwendet (vgl. [YPL07, RKH11, PL06, BP+04, OFH08]) Folie 33
34 Gestenerkennung Modellansatz zusätzlich: Handpositionen in lokalem Koordinatensystem werden robust aus Hauptkomponenten-Analyse der Torsopunkte ermittelt (vgl. [RKH11]) Folie 34
35 Gestenerkennung Modellansatz zusätzlich: Handpositionen in lokalem Koordinatensystem werden robust aus Hauptkomponenten-Analyse der Torsopunkte ermittelt (vgl. [RKH11]) Pose zum Zeitpunkt t P t = φ 1,t, φ 2,t,, φ 8,t, x t L, x t R φ i,t R, i 1,8, x t L, x t R R 3 Redundanzreduktion: Folie 35
36 Gestenerkennung Übersicht Gesamtsystem Kinect Gestenerkenner Applikation Tiefendaten Skelettdaten Nutzeraktion Folie 36
37 Gestenerkennung Übersicht Gesamtsystem Kinect Gestenerkenner Applikation Tiefendaten Skelettdaten Posenmodell Handpositionen Körperwinkel Nutzeraktion Folie 37
38 Gestenerkennung Übersicht Gesamtsystem Kinect Gestenerkenner Applikation Tiefendaten Skelettdaten Posenmodell Handposition Handpositionen Körperwinkel Körperwinkel Handform Folge von Körperhaltungen Nutzeraktion Folie 38
39 Gestenerkennung Übersicht Gesamtsystem Kinect Gestenerkenner Applikation Tiefendaten Skelettdaten Posenmodell Handpositionen Körperwinkel Nutzeraktion Folie 39
40 Gestenerkennung Übersicht Gesamtsystem Kinect Gestenerkenner Applikation Tiefendaten Skelettdaten Posenmodell Handpositionen Körperwinkel Handerkennung Handform? Handposition? Nutzeraktion Oberkörpergestenerkennung Körperwinkel? Folge von Körperhaltungen? Folie 40
41 Gestenerkennung Übersicht Gesamtsystem Kinect Gestenerkenner Applikation Tiefendaten Skelettdaten Posenmodell Handpositionen Körperwinkel Handerkennung Handform? Handposition? Nutzeraktion Oberkörpergestenerkennung Körperwinkel? Folge von Körperhaltungen? Folie 41
42 Erkennung von Handgesten - deiktisch deiktische Handgeste: Handposition virtuelle Zeigerposition 1. Aufgabe: ruhige Zeigerführung temporale Glättung der Handposition 2. Aufgabe: Genaues Positionieren und große Bildschirmbereiche abdecken? nicht-lineare Übersetzung von Hand- in Zeigerposition Folie 42
43 Erkennung von Handgesten - semaphorisch semaphorische Handgesten: Klassifizierung der Handform: Handfläche als Punktmengen [TLB12] Fitten von Spline-Kurven [RVCB03] Nachbar-Pixelsuche [Li12] Radiale Histogramme [Tan11,RYZ11] Folie 43
44 Erkennung von Handgesten - semaphorisch semaphorische Handgesten: Klassifizierung der Handform: Handfläche als Punktmengen [TLB12] Fitten von Spline-Kurven [RVCB03] Nachbar-Pixelsuche [Li12] Radiale Histogramme [Tan11,RYZ11] hier: Auswertung der Konturlinie in Polardarstellung, zwei einfache Handstellungen: "offen" u. "geschlossen" Kinect liefert lediglich 2 Skelettpunkte für Hand bildbasiertes Verfahren über Tiefendaten Folie 44
45 Erkennung von Handgesten - semaphorisch Vorgehen (I) Finden der Handwurzel im Tiefenbild (über Kinect API) Folie 45
46 Erkennung von Handgesten - semaphorisch Vorgehen (I) y Finden der Handwurzel im Tiefenbild (über Kinect API) Definition eines lokalen Koordinatensystems (0,0) x Folie 46
47 Erkennung von Handgesten - semaphorisch Vorgehen (I) y Finden der Handwurzel im Tiefenbild (über Kinect API) Definition eines lokalen Koordinatensystems δ Handpixel definiert über Schwellwert < δ (0,0) x Folie 47
48 Erkennung von Handgesten - semaphorisch Vorgehen (I) Finden der Handwurzel im Tiefenbild (über Kinect API) y Bounding Box Definition eines lokalen Koordinatensystems δ Handpixel definiert über Schwellwert < δ (0,0) x Anforderungen: Lokalität und Kontinuität Bounding-Box-Verfahren (achsenparallele Suchstrahlen, beginnend im Ursprung) Folie 48
49 Erkennung von Handgesten - semaphorisch Vorgehen (II) Handkontur über radiale Suchstrahlen s i = r cos ω i sin ω i Strahlen werden effizient von außen nach innen verfolgt (Kontinuität der Handfläche) Folie 49
50 Erkennung von Handgesten - semaphorisch Vorgehen (II) Handkontur über radiale Suchstrahlen s i = r cos ω i sin ω i Strahlen werden effizient von außen nach innen verfolgt (Kontinuität der Handfläche) Konturlinie k r max,i Glätten und Auszählen der lokalen Maxima (=Fingeranzahl) Folie 50
51 Erkennung von Handgesten - semaphorisch r max,ωi 100 r max,ωi ω Handkontur (offene Hand) Fingerpositionen i ω Handkontur (geschlossene Hand) i praxisgerechte Klassifikation: Anzahl der lokalen Maxima 1 geschlossene Hand Anzahl der lokalen Maxima > 1 offene Hand Folie 51
52 Gestenerkennung Übersicht Gesamtsystem Kinect Gestenerkenner Applikation Tiefendaten Skelettdaten Posenmodell Handpositionen Körperwinkel Handerkennung Handform? Handposition? Nutzeraktion Oberkörpergestenerkennung Körperwinkel? Folge von Körperhaltungen? Folie 52
53 Gestenerkennung Übersicht Gesamtsystem Kinect Tiefendaten Skelettdaten Posenmodell Handpositionen Körperwinkel Gestenerkenner Handerkennung Applikation Klassifizierung der Handform Ergebnis d. Klassifikation Virtuelle Handkoordinaten Nutzeraktion Oberkörpergestenerkennung Körperwinkel? Folge von Körperhaltungen? Folie 53
54 Gestenerkennung Übersicht Gesamtsystem Kinect Tiefendaten Skelettdaten Posenmodell Handpositionen Körperwinkel Gestenerkenner Handerkennung Applikation Klassifizierung der Handform Ergebnis d. Klassifikation Virtuelle Handkoordinaten Nutzeraktion Oberkörpergestenerkennung Körperwinkel? Folge von Körperhaltungen? Folie 54
55 Oberkörpergestenerkennung Vorverarbeitung Vorverarbeitung: Oberkörpergesten (OKG) werden nur über Winkel modelliert, Extraktion aus der Pose φ t = φ P t = φ 1,t, φ 2,t,, φ 8,t Merkmalsvektor (MV), wird temporal geglättet deiktische Oberkörpergeste: Weiterleiten des aktuellen MV an die Applikation Folie 55
56 Oberkörpergestenerkennung semaphorisch semaphorische OKG: Folge von Körperhaltungen zeitreihenbasierter Modellansatz: Geste = Folge von Merkmalsvektoren Merkmalsvektorsequenz (MVS) Φ (i,j) φ i, φ i+1,, φ j 1, φ j Folie 56
57 Oberkörpergestenerkennung semaphorisch semaphorische OKG: Folge von Körperhaltungen zeitreihenbasierter Modellansatz: Geste = Folge von Merkmalsvektoren Merkmalsvektorsequenz (MVS) Φ (i,j) φ i, φ i+1,, φ j 1, φ j 2 Kern-Aufgaben des Erkennens: Auffinden Klassifizieren Folie 57
58 Oberkörpergestenerkennung semaphorisch Auffinden potenzieller OKG: automatisches Segmentieren der Nutzeraktionen aus dem Interaktionsfluss heraus Warum? Nutzer soll nicht manuell anzeigen Folie 58
59 Oberkörpergestenerkennung semaphorisch Auffinden potenzieller OKG: automatisches Segmentieren der Nutzeraktionen aus dem Interaktionsfluss heraus Warum? Nutzer soll nicht manuell anzeigen Absuchen aller möglichen vergangenen MVS, zu rechenintensiv Markieren von Zeitpunkten potenziellen Gesten-Beginns/-Endes, dann Absuchen Folie 59
60 Oberkörpergestenerkennung semaphorisch Auffinden potenzieller OKG: über Gradienten und deren Änderung (vgl. [KLJ04]) hier: Winkelgeschwindigkeiten Beobachtung: Ruhe niedriger Geschwindigkeitsbetrag Bewegung hoher Geschwindigkeitsbetrag Folie 60
61 Oberkörpergestenerkennung semaphorisch Auffinden potenzieller OKG: über Gradienten und deren Änderung (vgl. [KLJ04]) hier: Winkelgeschwindigkeiten Beobachtung: Ruhe niedriger Geschwindigkeitsbetrag Bewegung hoher Geschwindigkeitsbetrag Vorgehen (I) Markieren bei Übergang von einer in die andere Phase Spezialfälle: Verweilen in einer Haltung oder andauerndes Weiterbewegen Warten bis bestimmte Zahl von Frames abgelaufen, dann markieren Folie 61
62 Oberkörpergestenerkennung semaphorisch Auffinden potenzieller OKG: Vorgehen (II) Suchfenster W konstanter Größe über die markierten Zeitindizes Bilden von temporären MVS: (i,j ) Φ temp i, j W, i < j Folie 62
63 Oberkörpergestenerkennung semaphorisch Auffinden potenzieller OKG: Vorgehen (II) Suchfenster W konstanter Größe über die markierten Zeitindizes Bilden von temporären MVS: (i,j ) Φ temp i, j W, i < j alle temporären MVS klassifizieren Weiterrücken von W je nach Klassifikationsergebnis Folie 63
64 Oberkörpergestenerkennung semaphorisch Auffinden potenzieller OKG: Vorgehen (II) Suchfenster W konstanter Größe über die markierten Zeitindizes Bilden von temporären MVS: (i,j ) Φ temp i, j W, i < j alle temporären MVS klassifizieren Weiterrücken von W je nach Klassifikationsergebnis Folie 64
65 Oberkörpergestenerkennung semaphorisch Klassifikation von MVS Grundlage der Erkennung? Trainingsdaten! Aufzeichnen von MVS Bilden von Klassen, d.h. mehrere MVS-Bsp. der gleichen Bewegung werden zusammengefasst Folie 65
66 Oberkörpergestenerkennung semaphorisch Klassifikation von MVS gegeben: eine temporäre MVS viele trainierte MVS Folie 66
67 Oberkörpergestenerkennung semaphorisch Klassifikation von MVS gegeben: eine temporäre MVS viele trainierte MVS Aufgabe: Vergleich Klassenzuordnung Folie 67
68 Oberkörpergestenerkennung semaphorisch Klassifikation von MVS gegeben: eine temporäre MVS viele trainierte MVS Aufgabe: Vergleich Klassenzuordnung Wie? zeitreihenbasierter Modellansatz Berechnen der Distanz zwischen MVS Folie 68
69 Oberkörpergestenerkennung semaphorisch Klassifikation von MVS verwendeter Algorithmus: k-nächste-nachbarn-verfahren hinreichend schnell, einfach zu implementieren Folie 69
70 Oberkörpergestenerkennung semaphorisch Klassifikation von MVS verwendeter Algorithmus: k-nächste-nachbarn-verfahren hinreichend schnell, einfach zu implementieren untersuchte Distanzmaße: Euklidischer Abstand modifizierter euklidischer Abstand (dazu Komplexitätsmaß nach [BWK11]) Pearson-Distanz FM-Distanz [OFH08] Dynamic Time Warping (DTW) Folie 70
71 Oberkörpergestenerkennung semaphorisch Klassifikation von MVS Schwächen der klassischen Maße: MVS müssen gleiche Länge haben (lösbar über Resampling) Φ(t) 7 6 Bsp. 1D Zeitreihen Zuordnung der MV-Korrespondenzen ist festgelegt t φ1 φ2 Folie 71
72 Oberkörpergestenerkennung semaphorisch Klassifikation von MVS Schwächen der klassischen Maße: MVS müssen gleiche Länge haben (lösbar über Resampling) Φ(t) 7 6 Bsp. 1D Zeitreihen Zuordnung der MV-Korrespondenzen ist festgelegt Vorteil DTW: 2 lokale Anpassung der MV-Korrespondenzen t φ1 φ2 Folie 72
73 Gestenerkennung Übersicht Gesamtsystem Kinect Tiefendaten Skelettdaten Posenmodell Handpositionen Körperwinkel Gestenerkenner Handerkennung Applikation Klassifizierung der Handform Ergebnis d. Klassifikation Virtuelle Handkoordinaten Nutzeraktion Oberkörpergestenerkennung Körperwinkel? Folge von Körperhaltungen? Folie 73
74 Gestenerkennung Übersicht Gesamtsystem Kinect Tiefendaten Skelettdaten Posenmodell Handpositionen Gestenerkenner Handerkennung Klassifizierung der Handform Virtuelle Handkoordinaten Applikation Ergebnis d. Klassifikation Nutzeraktion Körperwinkel Merkmalsvektoren Oberkörpergestenerkennung Abbilden von Merkmalsvektoren Auffinden u. Klassifizieren von Merkmalsvektorsequenzen Ergebnis d. Klassifikation Folie 74
75 Gestenerkennung Übersicht Gesamtsystem Kinect Tiefendaten Skelettdaten Posenmodell Handpositionen Gestenerkenner Handerkennung Klassifizierung der Handform Virtuelle Handkoordinaten Applikation Ergebnis d. Klassifikation Nutzeraktion Körperwinkel Merkmalsvektoren Oberkörpergestenerkennung Abbilden von Merkmalsvektoren Auffinden u. Klassifizieren von Merkmalsvektorsequenzen Ergebnis d. Klassifikation Folie 75
76 3. Diskussion Folie 76
77 Evaluation Übersicht Was wurde untersucht? Klassifikationsraten Geschwindigkeit Folie 77
78 Evaluation Handform Klassifikation der Handform Testdaten: 2500 Trainingsbeispiele, unterschiedliche Abstände zur Kamera, verschiedene Ausführgeschwindigkeiten, Hand frontal zur Kamera Ergebnisse: Eingabe der geschlossenen Hand stets zu 100% korrekt klassifiziert korrekte Klassifizierung der geöffneten Hand fällt ab bestimmten Abstand stark ab Ø Rechenzeit pro Klassifikation: 0,37 ms Folie 78
79 Evaluation Handform Klassifikation der Handform Distanzbereich richtig erkannt falsch erkannt Genauigkeit geschlossene Hand mm 100% 0% 100% mm 100% 0% 96,76% >1900mm 100% 0% 52,96% offene Hand mm 100% 0% 100% mm 96,65% 3,35% 100% >1900mm 11,18% 88,82% 100% Distanzbereich Korrektklassifikationsrate Falschklassifikationsrate mm 100% 0% mm 98,33% 1,67% >1900mm 55,59% 44,41% Genauigkeit (precision) = Klasse X richtig erkannt Klasse X erkannt = true positives true positives+false positives Korrektklassifikationsrate (accuracy) = Anz. der korrekt erkannten Gesten Gesamtheit der eingegeben Gesten = true pos. + true neg. true pos. + true neg. + false pos. + false neg. Folie 79
80 Evaluation Handform Klassifikation der Handform Distanzbereich richtig erkannt falsch erkannt Genauigkeit geschlossene Hand mm 100% 0% 100% mm 100% 0% 96,76% >1900mm 100% 0% 52,96% offene Hand mm 100% 0% 100% mm 96,65% 3,35% 100% >1900mm 11,18% 88,82% 100% Distanzbereich Korrektklassifikationsrate Falschklassifikationsrate mm 100% 0% mm 98,33% 1,67% >1900mm 55,59% 44,41% Genauigkeit (precision) = Klasse X richtig erkannt Klasse X erkannt = true positives true positives+false positives Korrektklassifikationsrate (accuracy) = Anz. der korrekt erkannten Gesten Gesamtheit der eingegeben Gesten = true pos. + true neg. true pos. + true neg. + false pos. + false neg. Folie 80
81 Evaluation Klassifikation der MVS Klassifikation der MVS Testdaten: 600 Trainings-Bsp., 10 Klassen 2 Gruppen: 50 Test- u. 10 Referenz-Bsp. pro Klasse Test 1: isolierte Klassifikation Distanzmaß k R F N KK ØRZ Eukl. Abstand ,4% 1,35 ms Mod. Eukl. Abstand ,8% 1,44 ms Pearson- Distanz ,4% 3,33 ms Dynamic Time Warping ,4% 1,22 ms FM-Distanz ,6% 2,52 ms k: Anzahl d. Nachbarn, R: richtig erkannt, F: falsch erkannt, N: nicht erkannt, KK: Korrektklassifikationsrate, ØRZ: durchschnittliche Rechenzeit Folie 81
82 Evaluation Klassifikation der MVS Klassifikation der MVS Testdaten: 600 Trainings-Bsp., 10 Klassen 2 Gruppen: 50 Test- u. 10 Referenz-Bsp. pro Klasse Test 1: isolierte Klassifikation Distanzmaß k R F N KK ØRZ Eukl. Abstand ,4% 1,35 ms Mod. Eukl. Abstand ,8% 1,44 ms Pearson- Distanz ,4% 3,33 ms Dynamic Time Warping ,4% 1,22 ms FM-Distanz ,6% 2,52 ms k: Anzahl d. Nachbarn, R: richtig erkannt, F: falsch erkannt, N: nicht erkannt, KK: Korrektklassifikationsrate, ØRZ: durchschnittliche Rechenzeit gut und schnell Folie 82
83 Evaluation Klassifikation der MVS Klassifikation der MVS gute Ergebnisse für alle Distanzmaße, Eignung im laufenden Betrieb? Test 2: Klassifikation zur Laufzeit Ausführung der 10 Gesten in unterschiedl. Reihenfolge, insgesamt 600 Ausführungen On-The-Fly-Erkennung durch das parallele System von Finden und Klassifizieren nur DTW-Verfahren bringt hier gute Ergebnisse bei den anderen: häufig fälschliche Klassifikationen von Nicht-Gesten (false positives) Folie 83
84 Evaluation Klassifikation der MVS Test 2: Klassifikation zur Laufzeit Gesamtergebnis (DTW): Anzahl der Gesten: 600 richtig erkannt: 574 falsch erkannt: 7 nicht erkannt: 19 Korrektklassifikationsrate: 95,67% Ø Genauigkeit: 98,85% Geschwindigkeitsbetrachtung: Festlegung: Gesten < 3s, Suchfenstergröße 12 Ø RZ = 84 ms (pro Fenster) < 267 ms (Ø Markierungsintervall), Ø Latenz ca. 1-4 Markierungsintervalle (267ms-1067ms), maximal 3,17s Folie 84
85 Bewertung der Ergebnisse Handerkennung Handposition + Ruhige Zeigerführung, Latenz vertretbar, Details bleiben erhalten + nichtlineare Skalierung erlaubt Zielgenauigkeit und gleichzeitig großen Arbeitsbereich kein vollständiges Ausgleichen von Tracking-Ungenauigkeiten Handform + gute Erkennung in bestimmten Distanzbereich + schnell (ca. 1% von Frame-Dauer) kleiner nutzbarer Tiefenbereich durch Mindestabstand d. Nutzers zur Kinect Erkennung von OKG + für überschaubare Anzahl selbstdefinierter Gesten gute Ergebnisse + schnell systembedingte maximale Verzögerung Folie 85
86 Ausblick Erweiterungspotenzial: Verbesserung d. Handformerkennung unter Einbeziehung d. Videobildes Erkennung von Fingerstellungen mehrere Kinects synchronisieren größerer effektiver Nutzerbereich effektiveres Training durch halbautomatisches Labeling... Folie 86
87 4. Demonstration Folie 87
88 Folie 88
89 Details Folie 89
90 Details Glättung der Torsopunkte Beobachtung: stabilster Punkt ist s 1 1. Annahme: Nutzer bleibt an Ort und Stelle Glättung von s 1 : s 1,t 1 β s 1,t + β s 1,t 1 s 3 s 2 s 8 s v 4 i s 9 s 5 s 1 2. Annahme: Torso ist starr s 0 s 10 s 6 s 11 s 16 s 12 s 7 Stützvektoren v i,t s i,t s 1,t für i {0,2,4,8,12,16} werden temporal geglättet: v i,t 1 α v i,t + α v i,t 1 s 17 s 13 Berechnung rekonstruierter Torsopunkte s i,t s i,t s 1,t + v i,t für i {0,2,4,8,12,16} s 18 s 14 s 19 s 15 Folie 90
91 Details nicht-lineare Skalierung Übersetzung von Hand- zu Zeigerposition: SENSITIVITÄT := Änderung der ausgehenden Zeigerposition Änderung der eingehenden Handposition σ t Δp L R t L R Δx t Δp t L R = σt Δx t L R L R L R L R mit Δx t = xt xt 1 L R L R L R und Δpt = pt pt 1 einfacher Ansatz: σ t = σ 0 = const. Problem: genaue Positionierung bei kleinem Wert, großer Bildschirmbereich bei großem Wert wünschenswert: BEIDES! Folie 91
92 Details nicht-lineare Skalierung Nicht-lineare Sensitivitäts-Skalierung (vgl. Mauszeigerbeschleunigung): SENSITIVITÄT = Skalierungskoeffizient x Betrag der Positionsänderung σ t ε ε Δx t L R großes Verhältnis bei schnellen, kleines Verhältnis bei langsamen Hand-Bewegungen Δp t L R = ε Δxt L R Δx t L R p t L R = ε Δxt L R L R L R Δx t + pt 1 Wahl von ε empirisch, resultiert in 1:1 - Übersetzung bei einer mittelschnellen Positionsänderung, entspricht 0,025 m pro Frame (~2,7 km/h): 1 = ε Δx m L R ε = 1 Δx m L R = 1 0,025 = 40 Folie 92
93 Details nicht-lineare Skalierung Nicht-lineare Sensitivitäts-Skalierung (vgl. Mauszeigerbeschleunigung): 5 L R Δp t Δx t L R ε = 5 ε = 10 ε = 20 ε = 40 ε = 80 Folie 93
94 Details Suchfenster Vorgehen (II) Suchfensteralgorithmus Nutzerinteraktion zur Laufzeit Strom der MV... Folie 94
95 Details Suchfenster Vorgehen (II) Suchfensteralgorithmus Strom der MV... Markierungen Folie 95
96 Details Suchfenster Vorgehen (II) Suchfensteralgorithmus Strom der MV... Markierungen Suchfenster konstante Länge Folie 96
97 Details Suchfenster Vorgehen (II) Suchfensteralgorithmus Strom der MV... Markierungen Suchfenster temporäre MVS Folie 97
98 Details Suchfenster Vorgehen (II) Suchfensteralgorithmus Strom der MV... Markierungen Suchfenster temporäre MVS Folie 98
99 Details Suchfenster Vorgehen (II) Suchfensteralgorithmus Strom der MV... Markierungen Suchfenster temporäre MVS Folie 99
100 Details Suchfenster Vorgehen (II) Suchfensteralgorithmus Strom der MV... Markierungen Suchfenster temporäre MVS Folie 100
101 Details Suchfenster Vorgehen (II) Suchfensteralgorithmus Strom der MV... Markierungen Suchfenster temporäre MVS Trainingsdaten Folie 101
102 Klassifikation Details Suchfenster Vorgehen (II) Suchfensteralgorithmus Strom der MV... Markierungen Suchfenster temporäre MVS Trainingsdaten Folie 102
103 Details Suchfenster Vorgehen (II) Suchfensteralgorithmus Strom der MV... Markierungen Suchfenster temporäre MVS Gewinner! Folie 103
104 Details Suchfenster Vorgehen (II) Suchfensteralgorithmus Strom der MV... Markierungen Suchfenster neuer Suchbeginn Folie 104
105 Details Suchfenster Vorgehen (II) Suchfensteralgorithmus Strom der MV... Markierungen Suchfenster Folie 105
106 Details Suchfenster Vorgehen (II) Suchfensteralgorithmus Strom der MV... Markierungen Suchfenster Folie 106
107 Klassifikation Details Suchfenster Trainingsdaten Folie 107
108 Details knn-algorithmus Klassifikation von MVS k-nearest-neighbour-algorithmus Folie 108
109 Details knn-algorithmus Klassifikation von MVS k-nearest-neighbour-algorithmus Raum der MVS Klasse 1 Klasse 2 Klasse 3 Folie 109
110 Details knn-algorithmus Klassifikation von MVS k-nearest-neighbour-algorithmus Raum der MVS? zu klassifizierende MVS Klasse 1 Klasse 2 Klasse 3 Folie 110
111 Details knn-algorithmus Klassifikation von MVS k-nearest-neighbour-algorithmus Raum der MVS suche die k nächstliegenden Nachbarn? Klasse 1 Klasse 2 Klasse 3 Folie 111
112 Details knn-algorithmus Klassifikation von MVS k-nearest-neighbour-algorithmus Raum der MVS suche die k nächstliegenden Nachbarn? Klasse 1 Klasse 2 Klasse 3 Folie 112
113 Details knn-algorithmus Klassifikation von MVS k-nearest-neighbour-algorithmus Raum der MVS suche die k nächstliegenden Nachbarn naive Klassifikation: Zählen? gewinnt Klasse 1 Klasse 2 Klasse 3 Folie 113
114 Details knn-algorithmus Klassifikation von MVS k-nearest-neighbour-algorithmus Raum der MVS suche die k nächstliegenden Nachbarn naive Klassifikation: Zählen? gewinnt besser: Gewichtete Summen 1 Punkte der Klasse X = Σ Distanz zu MVS MVS Є X Klasse 1 Klasse 2 Klasse 3 Folie 114
115 Details knn-algorithmus Klassifikation von MVS k-nearest-neighbour-algorithmus Raum der MVS suche die k nächstliegenden Nachbarn naive Klassifikation: Zählen gewinnt besser: Gewichtete Summen 1 Punkte der Klasse X = Σ Distanz zu MVS MVS Є X Klasse 1 gewinnt Klasse 2 Klasse 3 Folie 115
116 Details knn-algorithmus Klassifikation von MVS Raum der MVS Wie werden die Distanzen berechnet????? Klasse 1 Klasse 2 Klasse 3 Folie 116
117 Details Distanzmaße Anmerkungen: grundsätzlich keine Normalisierung der MV nötig, da Winkel in der gleichen Größenordnung liegen Studentisierung birgt die Gefahr, dass Rauschanteile deutlicheren Einfluss auf das Klassifikationsergebnis haben aber Skalierung entlang der Anzahl der MV zur Vergleichbarkeit unterschiedlich langer Gesten Def. Merkmalsvektorsequenz von Zeitpunkt i bis Zeitpunkt j: Φ i,j φ i, φ i+1,, φ j 1, φ j mit i < j φ i geglätter Merkmalsvektor Folie 117
118 Details Distanzmaße Metrik: 8 d φ i, φ j = φ n,i φ 2 n,j n=1 Φ k i,j k-ter Eintrag in der MVS Euklidischer Abstand D Euklid Φ (i,j ), Φ (g,h) = 1 N N k=1 d Φ k i,j, Φk g,h 2 N Φ (i,j ) = Φ (g,h) Folie 118
119 Details Distanzmaße modifizierter Euklidischer Abstand Komplexitätsmaß CE nach [BWK11] Φ k i,j k-ter Eintrag in der MVS CE Φ (i,j ) > CE Φ (g,h) T (i,j ) > T (g,h) Bahnlänge der Trajektorie: T (i,j ) i,j i,j = d Φ k, Φk 1 j k=i+1 Korrekturfaktor CF: CF Φ (i,j ), Φ (g,h) max CE Φ(i,j ), CE Φ (g,h) min CE Φ (i,j ), CE Φ (g,h) = max T(i,j ), T (g,h) min T (i,j ), T (g,h) D mod.euklid Φ (i,j ), Φ (g,h) D Euklid Φ (i,j ), Φ (g,h) CF Φ (i,j ), Φ (g,h) Folie 119
120 Details Distanzmaße Pearson-Distanz Korrelationskoeffizienten pro Merkmalsdimension m: (i,j ) Φ m,k k-ter Eintrag in der m-ten Dimension einer MVS ρ m Φ (i,j ), Φ (g,h) N k=1 N k=1 (i,j ) (i,j) Φ m,k Φm,k i,j i,j Φ 2 m,k Φm,k (g,h) (g,h) Φ m,k Φm,k g,h g,h Φ 2 m,k Φm,k N Φ (i,j ) = Φ (g,h) (i,j) 1 Φ m,k N N k=1 (i,j ) Φ m,k D Pearson Φ (i,j ), Φ (g,h) 1 N 8 m =1 1 ρ m Φ (i,j ), Φ (g,h) Folie 120
121 Details Distanzmaße FM-Distanz [OFH08] Kinetische Energie pro Merkmalsdimension m: 2 E m,k m m v m,k mit v m,k = Φ m,k (i,j ) (i,j ) Φm,k 1 Δt (i,j ) Φ m,k k-ter Eintrag in der m-ten Dimension einer MVS lässt sich vereinfachen zu: i,j i,j E m,k Φ m,k Φm,k 1 2 mittlere Energie der m-ten Merkmalszeitreihe: N E m 1 N 1 Energievektoren k=2 e e 1, e 2,, e 8 E m,k logarithmische Skalierung: e m log E m D FM Φ i,j, Φ g,h i,j g,h e 2 k ek k=1 Folie 121
122 03 Gestenerkennung Gesture Recognition DYNAMIC TIME WARPING Voraussetzung: lokales Distanzmaß (auch Kostenfunktion genannt) d: ϕ ϕ R +, d ϕ i, ϕ j = ϕ i ϕ j Input: zwei Merkmalsvektor-Zeitreihen, die aus den Posen einer Geste gewonnen werden φ (ij) = ϕ i, ϕ i+1,, ϕ k,, ϕ j 1, ϕ j mit ϕ k = φ P k für P k G (ij) φ k ij = ϕi+k 1 mit k [1, j i + 1] Ziel des Algorithmus: Verknüpfen von zusammengehörenden Merkmalsvektorpaaren aus beiden Zeitreihen, sodass die akkumulierte Distanz minimal wird TU Dresden, Folie 15 von 22
123 03 Gestenerkennung Gesture Recognition DYNAMIC TIME WARPING Grundlagen 1. lokale Kostenmatrix C aller paarweisen Distanzen: C R M N, C mn d φ m (gh), φn (ij), m 1, M, n 1, N 2. Warping-Pfad Q: ist eine Folge von Indexpaaren (stellvertretend für die Merkmalsvektorpaare): Q = q 1, q 2,, q L mit q l = m l, n l für l [1, L] Distanz zwischen beiden Zeitreihen entspricht den akkumulierten Kosten entlang des Pfades Q: L Distanz Q φ gh, φ (ij) = l=1 gh ij d φ ml, φnl TU Dresden, Folie 16 von 22
124 03 Gestenerkennung Gesture Recognition DYNAMIC TIME WARPING Grundlagen Warping-Pfad muss folgende Bedingungen erfüllen: q 1 = 1,1 und q L = (M, N) Boundary Kriterium: (Start- und Endindexpaar des Pfades muss Start- und Endindizes der beiden Zeitreihen entsprechen) Monotonie Kriterium: (Zeitordnung muss erhalten bleiben) m 0 m 1 m L und n 0 n 1 n L Schrittgrößen Kriterium: (Es dürfen keine Sprünge entlang des Pfades auftreten) q l+1 q l 0,1, 1,0, (1,1) für l [1, L 1] TU Dresden, Folie 17 von 22
125 03 Gestenerkennung Gesture Recognition DYNAMIC TIME WARPING Vorgehen Unter der Menge aller möglichen Pfade ist derjenige mit den minimalen Gesamtkosten gesucht D R M N Definition einer globalen Kostenmatrix : n (gh) (ij) 1. Zeile: D 1,n = d φ 1, φk für n [1, N] k=1 m (gh) (ij) 1. Spalte: D m,1 = d φ k, φ1 für m [1, M] k=1 Sonst: D m,n = d φ m (gh), φn (ij) + min D m 1,n 1, D m 1,n, D m,n 1 für m 2, M und n [2, N] Der Eintrag D M,N enthält die Gesamtkosten des optimalen Pfades (dieser kann explizit durch Backtracking ermittelt werden) liegen sie unter einem definierten Schwellwert, so werden die Gesten als übereinstimmend erkannt TU Dresden, Folie 18 von 22
126 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: TU Dresden, Folie 19 von 22
127 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Zeile und 1. Spalte setzen TU Dresden, Folie 19 von 22
128 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Zeile und 1. Spalte setzen TU Dresden, Folie 19 von 22
129 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Zeile und 1. Spalte setzen TU Dresden, Folie 19 von 22
130 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Zeile und 1. Spalte setzen TU Dresden, Folie 19 von 22
131 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Zeile und 1. Spalte setzen TU Dresden, Folie 19 von 22
132 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Zeile und 1. Spalte setzen TU Dresden, Folie 19 von 22
133 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Zeile und 1. Spalte setzen TU Dresden, Folie 19 von 22
134 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Zeile und 1. Spalte setzen TU Dresden, Folie 19 von 22
135 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Zeile und 1. Spalte setzen TU Dresden, Folie 19 von 22
136 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Restliche Einträge: = + min (,, ) TU Dresden, Folie 19 von 22
137 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Restliche Einträge: = + min (,, ) TU Dresden, Folie 19 von 22
138 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Restliche Einträge: = + min (,, ) TU Dresden, Folie 19 von 22
139 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Restliche Einträge: = + min (,, ) TU Dresden, Folie 19 von 22
140 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Restliche Einträge: = + min (,, ) TU Dresden, Folie 19 von 22
141 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Restliche Einträge: = + min (,, ) TU Dresden, Folie 19 von 22
142 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Restliche Einträge: = + min (,, ) TU Dresden, Folie 19 von 22
143 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Restliche Einträge: = + min (,, ) TU Dresden, Folie 19 von 22
144 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Backtracking: = min (,, ) TU Dresden, Folie 19 von 22
145 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Backtracking: = min (,, ) TU Dresden, Folie 19 von 22
146 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Backtracking: = min (,, ) TU Dresden, Folie 19 von 22
147 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Backtracking: = min (,, ) TU Dresden, Folie 19 von 22
148 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Backtracking: = min (,, ) TU Dresden, Folie 19 von 22
149 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Backtracking: = min (,, ) TU Dresden, Folie 19 von 22
150 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Backtracking: = min (,, ) TU Dresden, Folie 19 von 22
151 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Backtracking: = min (,, ) TU Dresden, Folie 19 von 22
152 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Backtracking: = min (,, ) TU Dresden, Folie 19 von 22
153 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Backtracking: = min (,, ) TU Dresden, Folie 19 von 22
154 Referenz 03 Gestenerkennung Bsp. Lokale Distanzmatrix C: Φ(t) t Referenz Input Distanz herkömmlich berechnet: d=13 Input Globale Distanzmatrix D: Backtracking: = min (,, ) TU Dresden, Folie 19 von 22
Gestenerkennung. Yannick Jonetzko Yannick Jonetzko
30.04.2015 Inhalt Motivation Definition Geste Historie / Anwendungsbereiche Arten der Funktionsweise anhand eines Papers Alternativen Fazit Seite 2 Motivation Human Computer Interaction Gesten sind in
MehrDiplomarbeit. Gestenbasierte Steuerung von interaktiven Umgebungen mithilfe der Microsoft Kinect
TECHNISCHE UNIVERSITÄT DRESDEN FAKULTÄT INFORMATIK INSTITUT FÜR SOFTWARE- UND MULTIMEDIATECHNIK PROFESSUR FÜR COMPUTERGRAPHIK UND VISUALISIERUNG PROF. DR. STEFAN GUMHOLD Diplomarbeit zur Erlangung des
MehrAlgorithmen für Geographische Informationssysteme
Algorithmen für Geographische Informationssysteme 2. Vorlesung: 16. April 2014 Thomas van Dijk basiert auf Folien von Jan-Henrik Haunert Map Matching? Map Matching! Map Matching...als Teil von Fahrzeugnavigationssystemen
MehrNutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten
Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Albert-Ludwigs-Universität zu Freiburg 13.09.2016 Maximilian Dippel max.dippel@tf.uni-freiburg.de Überblick I Einführung Problemstellung
Mehr9 SLAM Simultaneous Localization and Mapping
9 SLAM Simultaneous Localization and Mapping Einleitung eines der aktivsten Forschungsgebiete innerhalb der Robotik Roboterlokalisierung bei gegebener Karte (Kap. 8 und Karte aus Sensordaten bei bekannter
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
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
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..................
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
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
Mehr2. Schnitterkennung Video - Inhaltsanalyse
2. Schnitterkennung Video - Inhaltsanalyse Stephan Kopf Definition: Schnitt Schnitte (cut) liefern Informationen über den Produktionsprozess eines Filmes. trennen kontinuierliche Aufnahmen, die als Kameraeinstellungen
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
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
Mehr1. Grundlagen der ebenen Kinematik
Lage: Die Lage eines starren Körpers in der Ebene ist durch die Angabe von zwei Punkten A und P eindeutig festgelegt. Die Lage eines beliebigen Punktes P wird durch Polarkoordinaten bezüglich des Bezugspunktes
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
MehrAlgorithmische Bioinformatik 1
Algorithmische Bioinformatik 1 Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 2009 Übersicht Algorithmen
MehrPP Physikalisches Pendel
PP Physikalisches Pendel Blockpraktikum Frühjahr 2007 (Gruppe 2) 25. April 2007 Inhaltsverzeichnis 1 Einführung 2 2 Theoretische Grundlagen 2 2.1 Ungedämpftes physikalisches Pendel.......... 2 2.2 Dämpfung
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
MehrBachelorarbeit Erkennung von Fließtext in PDF-Dokumenten
Bachelorarbeit Erkennung von Fließtext in PDF-Dokumenten 16.08.2016 David Spisla Albert Ludwigs Universität Freiburg Technische Fakultät Institut für Informatik Gliederung Motivation Schwierigkeiten bei
Mehr2.3.4 Drehungen in drei Dimensionen
2.3.4 Drehungen in drei Dimensionen Wir verallgemeinern die bisherigen Betrachtungen nun auf den dreidimensionalen Fall. Für Drehungen des Koordinatensystems um die Koordinatenachsen ergibt sich 1 x 1
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-
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
MehrVorstellung des Großen Belegs: Entwurf eines modellbasierten Regelungssystems für einen totzeitbehafteten Prozess
Fakultät Informatik Institut für angewandte Informatik- Professur Technische Informationssysteme Vorstellung des Großen Belegs: Entwurf eines modellbasierten Regelungssystems für einen totzeitbehafteten
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
MehrVoronoi-Diagramme. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 29.05.2011 Das Postamt-Problem b(p, q) = {x R 2 : xp = xq } p q h(p, q) h(q, p) = {x :
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
MehrÜbung Angewandte Biosignalverarbeitung
Übung Angewandte Biosignalverarbeitung Dr.-Ing. Sebastian Zaunseder e-mail: Sebastian.Zaunseder@tu-dresden.de Telefon: +49 (0)351 463 33786 Raum: Fetscherforum, 1. OG, Raum 32 Die Aufgabe - Schlagdetektion
Mehr2. Schnitterkennung Videoanalyse
2. Schnitterkennung Videoanalyse Stephan Kopf Inhalt Definition: Schnitt Klassifikation eines Schnittes Vorgehensweise bei der automatischen Schnitterkennung Pixelbasierte Verfahren Histogramme Aggregierte
MehrAnhang: Ungarische Methode
Ungarische Methode 107 Anhang: Ungarische Methode Zum Schluss des Kurses soll noch der Algorithmus der Ungarischen Methode beschrieben werden. Wir lehnen uns hierbei eng an der Darstellung von DOMSCHKE
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
MehrGraphenalgorithmen und lineare Algebra Hand in Hand Prof. Dr. Henning Meyerhenke
Graphenalgorithmen und lineare Algebra Hand in Hand Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
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,
MehrMustererkennung: Neuronale Netze. D. Schlesinger ()Mustererkennung: Neuronale Netze 1 / 12
Mustererkennung: Neuronale Netze D. Schlesinger ()Mustererkennung: Neuronale Netze 1 / 12 Feed-Forward Netze y 1 y 2 y m...... x 1 x 2 x n Output Schicht i max... Zwischenschicht i... Zwischenschicht 1
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 5 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe. Skalarprodukt und Orthogonalität.a) Bezüglich des euklidischen
MehrMaschinelles Lernen: Symbolische Ansätze
Maschinelles Lernen: Symbolische Ansätze Wintersemester 2009/2010 Musterlösung für das 1. Übungsblatt Aufgabe 1: Anwendungsszenario Überlegen Sie sich ein neues Szenario des klassifizierenden Lernens (kein
MehrMustererkennung. Übersicht. Unüberwachtes Lernen. (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren Gaussian-Mixture Modelle
Mustererkennung Unüberwachtes Lernen R. Neubecker, WS 01 / 01 Übersicht (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren 1 Lernen Überwachtes Lernen Zum Training des Klassifikators
MehrNichtlineare Klassifikatoren
Nichtlineare Klassifikatoren Mustererkennung und Klassifikation, Vorlesung No. 11 1 M. O. Franz 12.01.2008 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Duda et al., 2001. Übersicht
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
Mehr1. Musterlösung. Problem 1: Average-case-Laufzeit vs. Worst-case-Laufzeit ** i=1
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner. Musterlösung Problem : Average-case-Laufzeit vs. Worst-case-Laufzeit ** (a) Im schlimmsten Fall werden für jedes Element
Mehr2.9 Gedämpfter Harmonischer Oszillator
72 KAPITEL 2. DYNAMIK EINES MASSENPUNKTES 2.9 Gedämpfter Harmonischer Oszillator In diesem Abschnitt wollen wir die Bewegung eines Massenpunktes betrachten, der sich in einer Raumrichtung x in einer Harmonischen
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
MehrMustererkennung. Support Vector Machines. R. Neubecker, WS 2018 / Support Vector Machines
Mustererkennung R. Neubecker, WS 018 / 019 (SVM) kommen aus der statistischen Lerntheorie gehören zu den optimalen Klassifikatoren = SVMs minimieren nicht nur den Trainingsfehler, sondern auch den (voraussichtlichen)
MehrKapitel 10. Maschinelles Lernen Lineare Regression. Welche Gerade? Problemstellung. Th. Jahn. Sommersemester 2017
10.1 Sommersemester 2017 Problemstellung Welche Gerade? Gegeben sind folgende Messungen: Masse (kg) 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 Kraft (N) 1.6 2.2 3.2 3.0 4.9 5.7 7.1 7.3 8.1 Annahme: Es gibt eine Funktion
MehrHallo Welt für Fortgeschrittene
Hallo Welt für Fortgeschrittene Geometrie II Tiago Joao Informatik 2 Programmiersysteme Martensstraße 3 91058 Erlangen Inhalt Koordinatenkompression Beispiel: SafeJourney Typische compress-funktion Bereichssuche
MehrTutorial Laserscanning: Automatisierung der Modellierung
Tutorial Laserscanning: Automatisierung der Modellierung Dr.-Ing. Fredie Kern Univ.-Prof. Dr.-Ing. habil. Wolfgang Niemeier Dipl.-Ing. Martin Zumstrull 1 Inhaltsverzeichnis 1. Was kann modelliert werden
MehrGrundlagen Kondition Demo. Numerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
MehrKapitel 4: Data Mining DATABASE SYSTEMS GROUP. Überblick. 4.1 Einleitung. 4.2 Clustering. 4.3 Klassifikation
Überblick 4.1 Einleitung 4.2 Clustering 4.3 Klassifikation 1 Klassifikationsproblem Gegeben: eine Menge O D von Objekten o = (o 1,..., o d ) O mit Attributen A i, 1 i d eine Menge von Klassen C = {c 1,...,c
MehrInteraktive Lokalisierung durch Objekterkennung
Interaktive Lokalisierung durch Objekterkennung Bachelor Thesis Adrian Batzill Motivation GPS Abweichungen - Guter Tag: ~5m - Wahrscheinlicher: >15m Kompass Abweichungen: - Normal ~3-10 Für Augmented Reality
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
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 02.07.2015 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
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
MehrSupport Vector Machines, Kernels
Support Vector Machines, Kernels Katja Kunze 13.01.04 19.03.2004 1 Inhalt: Grundlagen/Allgemeines Lineare Trennung/Separation - Maximum Margin Hyperplane - Soft Margin SVM Kernels Praktische Anwendungen
MehrPRIP-Preis. Effizientes Object Tracking durch Programmierung von Mehrkernprozessoren und Grafikkarten
Masterarbeit @ PRIP-Preis Effizientes Object Tracking durch Programmierung von Mehrkernprozessoren und Grafikkarten Michael Rauter Pattern Recognition and Image Processing Group Institute of Computer Aided
MehrHAW Hamburg Anwendung 1 - Vortrag Andrej Rull
HAW Hamburg Anwendung 1 - Vortrag Andrej Rull 02122008 1 Gliederung o Motivation o Der Anwendungsfall o Das SLAM Problem o Lösungsansätze und Algorithmen o Zusammenfassung o Ausblick auf AW2 2 Motivation
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
MehrVorlesung Maschinelles Lernen
Vorlesung Maschinelles Lernen Stützvektormethode Katharina Morik LS 8 Informatik 8.11.2011 1 von 38 Gliederung 1 2 Lagrange-Optimierung 2 von 38 Übersicht über die Stützvektormethode (SVM) Eigenschaften
MehrÜbungen zu Experimentalphysik 1 für MSE
Physik-Department LS für Funktionelle Materialien WS 2017/18 Übungen zu Experimentalphysik 1 für MSE Prof. Dr. Peter Müller-Buschbaum, Dr. Volker Körstgens, Dr. Neelima Paul, Sebastian Grott, Lucas Kreuzer,
Mehr13. Woche: NP-Vollständigkeit Satz von Cook-Levin Anwendungen in der Kryptographie
13 Woche: NP-Vollständigkeit Satz von Cook-Levin Anwendungen in der Kryptographie 13 Woche: NP-Vollständigkeit, Satz von Cook-Levin, Anwendungen 276/ 333 N P-Vollständigkeit Ḋefinition NP-vollständig Sei
MehrStrukturelle SVM zum Graph-labelling
23. Juni 2009 1 Was wir gerne hätten...... und der Weg dorthin Erinnerung: strukturelle SVM 2 Junction Tree Algorithmus Loopy Belief Propagation Gibbs Sampling 3 Umfang Qualität der Algorithmen Schlussfolgerungen
MehrAlgorithmen für Routenplanung 8. Sitzung, Sommersemester 2012 Thomas Pajor 21. Mai 2012
Algorithmen für Routenplanung 8. Sitzung, Sommersemester 2012 Thomas Pajor INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und nationales
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
MehrDiskriminatives syntaktisches Reranking für SMT
Diskriminatives syntaktisches Reranking für SMT Fortgeschrittene Themen der statistischen maschinellen Übersetzung Janina Nikolic 2 Agenda Problem: Ranking des SMT Systems Lösung: Reranking-Modell Nutzung
MehrAlgorithmische Geometrie: Delaunay Triangulierung (Teil 2)
Algorithmische Geometrie: Delaunay Triangulierung (Teil 2) Nico Düvelmeyer WS 2009/2010, 2.2.2010 Überblick 1 Delaunay Triangulierungen 2 Berechnung der Delaunay Triangulierung Randomisiert inkrementeller
MehrPrincipal Component Analysis (PCA)
Principal Component Analysis (PCA) Motivation: Klassifikation mit der PCA Berechnung der Hauptkomponenten Theoretische Hintergründe Anwendungsbeispiel: Klassifikation von Gesichtern Weiterführende Bemerkungen
MehrExperimentalphysik 1
Technische Universität München Fakultät für Physik Ferienkurs Experimentalphysik 1 WS 16/17 Lösung 1 Ronja Berg (ronja.berg@tum.de) Katharina Scheidt (katharina.scheidt@tum.de) Aufgabe 1: Superposition
MehrInvariante Merkmale. Seminar Inhaltsbasierte Bildsuche 22. Dezember 2004 Marei Hopert
Invariante Merkmale Seminar Inhaltsbasierte Bildsuche 22. Dezember 2004 Marei Hopert Übersicht Motivation Invariante Merkmale Idee Berechnung Kernfunktionen Ergebnisse Ausblick Motivation Gedrehtes oder
MehrAnwendungen 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
MehrAlgorithmen 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
MehrDas Problem des Handlungsreisenden
Seite 1 Das Problem des Handlungsreisenden Abbildung 1: Alle möglichen Rundreisen für 4 Städte Das TSP-Problem tritt in der Praxis in vielen Anwendungen als Teilproblem auf. Hierzu gehören z.b. Optimierungsprobleme
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
MehrAnwendungen der WSPD & Sichtbarkeitsgraphen
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 08.07.2014 1 Wdh.: Well-Separated Pair Decomposition Def.: Ein Paar disjunkter Punktmengen
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrSoftwareprojektpraktikum Maschinelle Übersetzung
Softwareprojektpraktikum Maschinelle Übersetzung Jan-Thorsten Peter, Andreas Guta, Jan Rosendahl max.bleu@i6.informatik.rwth-aachen.de Vorbesprechung 5. Aufgabe 22. Juni 2017 Human Language Technology
MehrData Mining und Maschinelles Lernen Lösungsvorschlag für das 1. Übungsblatt
Data Mining und Maschinelles Lernen Lösungsvorschlag für das 1. Übungsblatt Knowledge Engineering Group Data Mining und Maschinelles Lernen Lösungsvorschlag 1. Übungsblatt 1 1. Anwendungsszenario Überlegen
MehrRechnerstrukturen. Michael Engel und Peter Marwedel SS TU Dortmund, Fakultät für Informatik
Rechnerstrukturen Michael Engel und Peter Marwedel TU Dortmund, Fakultät für Informatik SS 203 Hinweis: Folien a. d. Basis von Materialien von Gernot Fink und Thomas Jansen 2. Mai 203 Boolesche Funktionen
Mehr14 Ljapunov-Funktionen
14 Ljapunov-Funktionen 67 14 Ljapunov-Funktionen 14.1 Gradientenfelder. a Ein Vektorfeld v C 1 D, R n besitze ein Potential U C 2 D, R, d.h. es sei v = gradu. Dann ist Dvx = HUx symmetrisch, und man hat
MehrLineare Regression. Volker Tresp
Lineare Regression Volker Tresp 1 Die Lernmaschine: Das lineare Modell / ADALINE Wie beim Perzeptron wird zunächst die Aktivierungsfunktion gewichtete Summe der Eingangsgrößen x i berechnet zu h i = M
MehrImproving the Accuracy of GPS
Improving the Accuracy of GPS Stephan Kopf, Thomas King, Wolfgang Effelsberg Lehrstuhl für Praktische Informatik IV Universität Mannheim Gliederung Motivation ierungsfehler von GPS Steigerung der Genauigkeit
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrKapitel 4: Komplexitätstheorie Gliederung
Gliederung 0. Einleitung und Grundbegriffe 1. Endliche Automaten 2. Formale Sprachen 3. Berechnungstheorie 4. Komplexitätstheorie 4.1. Motivation und Grundbegriffe 4.2. Die Komplexitätsklassen P und NP
MehrDarstellung von Kurven und Flächen
Darstellung von Kurven und Flächen Technische Universität Dresden Fakultät Informatik Institut für Software- und Multimediatechnik Dozent: Dr. Mascolous Referent: Gliederung / Einleitung 1 / 25 1. Kurven
MehrKlausur Numerische Mathematik (für Elektrotechniker), 24. Februar 2016
Verständnisfragen-Teil ( Punkte) Jeder der Verständnisfragenblöcke besteht aus Verständnisfragen. Werden alle Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es für diesen Block Punkte.
MehrAlgorithmen zur Visualisierung von Graphen
Algorithmen zur Visualisierung von Graphen Kombinatorische Optimierung mittels Flussmethoden II Vorlesung im Wintersemester 2011/2012 10.11.2011 Orthogonale Zeichnungen II letztes Mal: Satz G Maxgrad-4-Graph
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 10.06.2016 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrNichtlineare Gleichungssysteme
Nichtlineare Gleichungssysteme Jetzt: Numerische Behandlung nichtlinearer GS f 1 (x 1,..., x n ) =0. f n (x 1,..., x n ) =0 oder kurz f(x) = 0 mit f : R n R n Bemerkung: Neben dem direkten Entstehen bei
MehrExperimentalphysik E1
Experimentalphysik E1 Newtonsche Axiome, Kräfte, Arbeit, Skalarprodukt, potentielle und kinetische Energie Alle Informationen zur Vorlesung unter : http://www.physik.lmu.de/lehre/vorlesungen/index.html
MehrVorlesung Maschinelles Lernen
Vorlesung Maschinelles Lernen Stützvektormethode Katharina Morik LS 8 Informatik Technische Universität Dortmund 12.11.2013 1 von 39 Gliederung 1 Hinführungen zur SVM 2 Maximum Margin Methode Lagrange-Optimierung
MehrVorlesung Digitale Bildverarbeitung Sommersemester 2013
Vorlesung Digitale Bildverarbeitung Sommersemester 2013 Sebastian Houben (Marc Schlipsing) Institut für Neuroinformatik Inhalt Crash-Course in Machine Learning Klassifikationsverfahren Grundsätzliches
MehrKryptographische Protokolle
Kryptographische Protokolle Lerneinheit 2: Generierung von Primzahlen Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Wintersemester 2018/2019 15.11.2018 Einleitung Einleitung Diese Lerneinheit
MehrBlatt 1. Kinematik- Lösungsvorschlag
Fakultät für Physik der LMU München Lehrstuhl für Kosmologie, Prof. Dr. V. Mukhanov Übungen zu Klassischer Mechanik (T1) im SoSe 011 Blatt 1. Kinematik- Lösungsvorschlag Aufgabe 1.1. Schraubenlinie Die
MehrAufgabe 1. Aufgabe 2. Die Formel für den mittleren Fehler einer Streckenmessung mit Meßband lautet:
Semesterklausur Fehlerlehre und Statistik WS 96/97 11. Februar 1997 Zeit: 2 Stunden Alle Hilfsmittel sind zugelassen Die Formel für den mittleren Fehler einer Streckenmessung mit Meßband lautet: m s :
MehrAlgorithmen für Routenplanung 7. Sitzung, Sommersemester 2010 Thomas Pajor 28. Mai 2010
Algorithmen für Routenplanung 7. Sitzung, Sommersemester 2010 Thomas Pajor 28. Mai 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrIndoor Location Tracking and Information System
Master Thesis Indoor Location Tracking and Information System Thomas Blocher tblocher@ee.oulu.fi TU Graz Österreich IMST GmbH Deutschland Indoor Location Tracking and Information System p. 1/14 Gliederung
MehrAutomaten und Formale Sprachen SoSe 2013 in Trier
Automaten und Formale Sprachen SoSe 2013 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 2. Juni 2013 1 Automaten und Formale Sprachen Gesamtübersicht Organisatorisches Einführung Endliche
MehrVoronoi-Diagramme INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.06.2014 1 Das Postamt-Problem b(p, q) = {x 2 R 2 : xp = xq } p q h(p, q) h(q, p) = {x
MehrÜbungsblatt 9. a) Wie groß ist der Impuls des Autos vor und nach der Kollision und wie groß ist die durchschnittliche Kraft, die auf das Auto wirkt?
Aufgabe 32: Impuls Bei einem Crash-Test kollidiert ein Auto der Masse 2000Kg mit einer Wand. Die Anfangsund Endgeschwindigkeit des Autos sind jeweils v 0 = (-20m/s) e x und v f = (6m/s) e x. Die Kollision
MehrTheoretische Mechanik
Prof. Dr. R. Ketzmerick/Dr. R. Schumann Technische Universität Dresden Institut für Theoretische Physik Sommersemester 2008 Theoretische Mechanik 9. Übung 9.1 d alembertsches Prinzip: Flaschenzug Wir betrachten
MehrParallele FFT-Algorithmen
Parallele FFT-Algorithmen Jörg Haeger 11. Juli 1996 1 Die diskrete Fourier-Transformation (DFT) 2 2 Permutationen und Graphen 2 2.1 Permutationen.............................. 2 2.2 Graphen..................................
Mehr