Seminar Unterwasserbildverarbeitung
|
|
- Barbara Bayer
- vor 6 Jahren
- Abrufe
Transkript
1 Seminar Unterwasserbildverarbeitung Thema: Seabed Classification Ausarbeitung von : Daniel Nagel (NWI) Sven Pohl (NWI) Datum des Vortrags :
2 Inhalt Aufbau S Was ist Seebettklassifikation? S Wie werden die Daten gesammelt? S Welche Hindernisse für die Daten- S. 8 sammlung treten auf? 4. Wie werden marine Texturen S. 9 klassifiziert? 5. Techniken zur Texturen-Analyse S. 11 und Klassifikation 5.1. COM's (Co Occurrence Matrices) S SOM's (Self Organizing Maps) S Schlußfolgerungen S Quellen S. 22
3 Struktur des Vortrags "Seebett-Klassifikation" Was ist Seebett-Klassifikation? Wie werden die Daten gesammelt (ROV's)? Welche Hindernisse für die Datensammlung treten auf? Wie werden marine Texturen klassifiziert? Techniken zur Texturen-Analyse und Klassifikation a) COM's (Co Occurrence Matrices) b) SOM's (Self Organizing Maps) Schlußfolgerung Quellen
4 1. Was ist Seebett-Klassifikation? Beispiel einer Klassifikation des Seebodens nach mariner Vegetation
5 Beispiel einer Klassifikation des Seebodens nach Sedimenttypen
6 In mariner Umgebung interessiert man sich für unterschiedliche Merkmale des Seebodens. Betrachtet man grossflächige Gebiete, so sind allgemeine Klassen z.b. Sedimenttypen oder Vegetation. Detailliertere Zielobjekte sind in der Regel einzelne Organismen, Pflanzen, Steine, oder Mollusken. Die Auswertung dieser Daten ist für unterschiedliche Gruppen von Interesse. Wissenschaftler untersuchen die Entwicklung mariner Vegetation (z.b. Algenbewuchs, Korallensterben oder Tierpopulationen). Die Berufschifffart benötigt die Beschaffenheit des Seebodens zur Ermittlung günstiger Seestrassen. Diese wichtigen Fahrwege unterliegen ständigen Veränderungen durch wechselnde Umwelteinflüsse (z.b. Strömungen, Gezeiten, Sturmfluten). Daher ist es notwendig die Karten regelmäßig zu aktualisieren. Das Verfahren zur Datengewinnung und anschließender Auswertung ist weitgehend automatisiert. Weitere Anwendungsgebiete sind die Überwachung von Tiefseekabeln, Pipelines oder Müllablagerungen. Seebett- Klassifikation findet auch archäologische und militärische Anwendung. Unsere Ausarbeitung konzentriert sich auf die Klassifikation des Seebodens im Hinblick auf verschiedene Sediment-Typen.
7 2. Wie werden die Daten gesammelt? Zur automatischen Sammlung der Daten werden akustische und visuelle Technologien eingesetzt. Zur Oberflächenanlyse werden häufig akustische Sonar- Systeme eingesetzt. Dieses Verfahren eignet sich gut zur Analyse von Wassertiefen und Fahrrinnen. Hierbei gehen Informationen über Detailbeschaffenheit wie z.b. Vegation oder feine Sedimentstrukturen verloren. Die visuellen Systeme sind technisch aufwändiger und eigenen sich besser zur Detailanalyse. Um visuelle Daten zu sammeln werden sogenannte ROV's (Remotely Operated Vehicle) eingesetzt.zur Positionsbestimmung verwendet man GPS (Global Positioning System) oder Orientierungsbojen. Diese Vehikel können in einer Tiefe von wenigen bis zu einigen Tausend Metern eingesetzt werden, um Videomaterial zu sammeln. ROV (Remotely Operated Vehicle)
8 3. Welche Hindernisse für die Datensammlung treten auf? Nach wenigen Metern Wassertiefe erreicht nur noch wenig natürliches Licht den Seeboden. Hinzu kommt, dass das Wasser als Blaufilter wirkt, so dass die Farbinformation beeinträchtigt wird. Mariner Schnee (Schwebende Partikel), Störungen bei der Übertragung des Signals, wechselnde Lichtverhältnisse verrauschen die Videodaten. Hinzu kommt, dass die Zielobjekte oft in sehr unterschiedlichen Formen und Größen auftreten, was deren Einordnung stört, z.b. sich tarnende Weichtiere. Beispiel zweier ROV-Aufnahmen
9 4. Wie werden marine Texturen klassifiziert? Die Videodaten sind sehr schwer manuell auszuwerten. Wie automatisiert man den Klassifikationsvorgang? Hierzu gibt es zwei ähnliche Techniken, die auf unterschiedliche Art und Weise Daten analysieren. Die Analyse findet in zwei Stufen statt. Zunächst wird ein 704x576 Pixel großes Videobild in 16x16 Pixel-Bilder mit 3 Farbebenen zerlegt. Dazu werden die Bildaten (768 Werte) je nach Wahl der Technik einem COM oder SOM präsentiert und in 45 Features gewichtet. In einer zweiten Stufe werden diese 45 Features mit Hilfe eines SOM's in 30 Hauptklassen eingeteilt. Auf diese Weise wird jede 16x16-Pixel großen Kachel des Eingangsbildes einer von 30 möglichen Klassen zugeordnet. Die Besonderheit bei diesem Verfahren ist der Trainingvorgang. Eine selbstorganisierende Karte (nach Teuvo Kohonen) ist in der Lage, hochdimensionale Vektorräume topologieerhaltend auf weniger Dimensionen abzubilden (Siehe Abschnitt 5). Dadurch werden die Klassen automatisch anhand der Trainingsdaten erzeugt. Am Ende des Trainingsdurchlaufes kann jeder Klasse eine konkrete Beschreibung zugeordnet werden. Diese Klasse kann z.b. der Dichte eines Algenbewuchses oder einer spezifischen Sedimentart entsprechen. 704 x 576 COM 45 Features 30 Klassen z.b. Kontrast SOM Graustufen 16 x 16 x 3 SOM Schematische Darstellung der Klassifizierungs-Architektur
10 Bild eines mediterranen Seebetts aus einer Sequenz des Datenmaterials aus einem ROV. (Institut of Marine Biology, Kreta) Segmentiertes Bild, dessen Features mittels Kohonen-Netz extrahiert wurden Segmentiertes Bild, dessen Features mittels COM extrahiert wurden
11 5. Techniken zur Texturen-Analyse und Klassifikation Um die Features eines Bildausschnittes einer speziellen Klasse zuorden zu können, benötigt man zunächst eine gute Texturen- Analyse. Texturen sind kleinräumige Oberflächenstrukturen wie z.b. Baumrinde, Strickmuster, Holzmaserungen oder Sedimentschichten. Ziel ist es, die Textur in ihre Features (Merkmalsattribute) zu zerlegen und anhand ihrer Ausprägungen zu klassifizieren. Zur Feature-Extraktion benutzt man bei der Sedimentanalyse des Seebettes COM's und SOM's. COM's sind mathematische Analysen von wiederholtem Auftreten von Grauwert- Vorkommen. SOM's sind selbstorganisierende Karten aus dem Bereich der neuralen Netze, die in der Lage sind, selbständig die bedeutensten Features eines Bildes zu gewichten.
12 5.1. COM's (Co Occurrence Matrices) COM's, (Grauwert - Übergangsmatrizen), geben an, wie oft in einem Bild zwei Grauwerte in einer bestimmten Anordnung in der Nachbarschaft auftreten. Häufige Einsatzgebiete für Coms: Bildsuchmaschinen, Medizinische Diagnosesysteme (z.b. Krebsdiagnose), Wetterdienste, Landkarten oder Seebettklassifikation.
13 Bei der Untersuchung von Texturen unterscheidet man zwei grundlegende Ansätze: Die strukturelle und statistische Analyse. Bei der strukturellen Analyse sucht man nach kleinen Grundbausteinen sowie einer Anordnungsregel. Man geht davon aus,dass die Struktur aus Primitiven (Textonen) zusammengesetzt ist. Bei natürlichen Bildern (z.b. Landschaften) ist die strukturelle Analyse schwierig, da es unbegrenzt viele Strukturen gibt, die statistischen Schwankungen unterliegen. Bei der statistischen Analyse beschreibt man die Textur als Ganzes anhand bestimmter Attibute wie z.b. lokale Grauwertvarianz, Regelmässigkeit, Grobkörnigkeit, Orientierung und Kontrast. Die Berechnung von Co-Occurence Matrices anhand folgender Illustration. In diesem Beispiel betrachtet man eine Graustufe a unmittelbar neben Graustufe b und trägt die Häufigkeit dieser Anordnung in die rechte COM ein b a Bild a) Bild b) Beispiel zweier horizontal benachbarter Grauwert-Pixel Weitere Co-Occurence Matrices können für beliebige andere Nachbarschaftsanordnungen zweier Grauwerte gebildet werden, hier wählt man die Winkel 0, 45, 90 und 135.
14 Die Dimension der Matrix hängt von der Anzahl der möglichen Grauwerte ab. Z.B. 256 Grauwerte entsprechen einer Matrix von 256 x 256 (8 Bit). Die Werte in der Matrix werden in einer Summe aufaddiert und bilden das Gewicht des jeweiligen Merkmals. Einige wichtige Features sind zb. Kontrast, Energie, Korrelation, Varianz oder Entropie. Beispiel Kontrast: Man spricht von einem hohen Kontrast, wenn stark unterschiedliche Grauwerte dicht aneinander grenzen. Beispiel einer Kontrastberechnung Orignialbild 50% mehr Kontrast
15 Bei der Feature-Extraktion wird das Bild in 3 Farb-Ebenen aufgeteilt (Rot, Grün und Blau-Ebene). Der resultierende Gesamtvektor besteht insgesamt aus 45 Komponenten, 3 Distanzen x 3 Farben x 5 Durchschnitts-Merkmale. Diese 45 Komponenten können im nächsten Schritt dem SOM zu Klassifikation präsentiert. In der Praxis stellte sich heraus, dass diese Aufteilung in Farbenen wenig effektiv sind. Bereits nach einigen Metern Wassertiefe gehen nicht-blaue Komponenten verloren. Darum werden die Bilder sofort in Graustufen zerlegt.
16 5.2. SOM's (Self Organizing Maps) SOMs sind selbstorganisierende Karten oder auch nach dem Erfinder Teuvo Kohonen "Kohonen Netz" genannt. Im Prinzip sind sie unüberwachte neurale Netze. Im Gegensatz zu überwachten Lernverfahren wie z.b. bei Backpropagation (Neurales Netz mit Fehlerrückkopplung) gibt es keine vorgegebene Ausgabe, Fehlerkorrektur wird nicht verwendet. SOM-Architektur mit 3 x 10 Ausgangsneuronen Stattdessen werden die Eingabedaten auf dem einschichtigen Netz topologisch geordnet. Jedem Bereich aus einem hochdimensionalen Merkmalsraum wird ein Neuron (hier eine Klasse) zugeordnet. Kuh Zebra Pferd Löwe Tiger Katze Wolf Hund Fuchs Adler Falke Eule Gans Ente Henne Taube klein X X X X X X X ist mittel X X X X groß X X X X X 2 Beine X X X X X X X 4 Beine X X X X X X X X X Haare X X X X X X X X X hat Hufe X X X Mähne X X X Feder X X X X X X X jagt X X X X X X X X X es rennt X X X X X X X X fliegt X X X X X X schwimmt X X Beispiel eines Hochdimensionalen Vektorraums
17 Adler Taube Ente Falke Henne Katze Eule Gans Tiger Pferd Fuchs Löwe Zebra Hund Wolf Kuh Beispiel eines Hochdimensionalen Vektorraums topologisch auf einer 2-Dimensionalen Karte geordet SOMs bilden das neurobiologische Grundprinzip der Selbstorganisation nach. In der Kortexregion des Gehirns werden benachbarte Bereiche des Sinnesepithels auch benachbart abgebildet. Hier kann es auch zu einer "Foveaisierung" kommen, bei der eine Region des Eingaberaums eine größere Repräsentation erfährt.
18 Das Lernverfahren Die Kohohen-Map bildet hochdimensionale Merkmalsräume topologieerhaltend auf niedrigeren Dimensionen ab. Das Lernverfahren basiert auf dem Unterschied zwischen Merkmals- und Bildräumen. Der Bildbereich wird durch die Nachbarschaftsbeziehung der Neuronen dargestellt, die eine Klasse repräsentieren. 1. Schritt Aus dem n-dimensionalen Definitionsbereich wird eine Eingabe mit einer gewissen Wahrscheinlichkeitsverteilung ausgewählt. 2. Schritt Das Neuron mit der "maximalen Erregung" wird ermittelt. Maximale Erregung bedeutet minimaler euklidischer Abstand zum Merkmalsraum. 3. Schritt Die Gewichtsvektoren aller Gewinner-Neuronen beeinflussen die Gewichte ihrer Nachbarn so, dass sie ihren eklidischen Abstand zum Merkmalsraum im Definitionsbereich verringern. 4. Schritt Es wird entschieden, ob der Algorithmus gestoppt werden soll. Ansonsten werden der Radius und die Lernkonstante nach einem Plan verändert (meists verkleinert). Nachbarschaftsradius unverändert verändert stark verändert verändert unverändert Einfluß eines "Gewinner"-Neurons auf seine Nachbarschaft
19 Gleichmäßige Auffaltung einer Kohohen-Map
20 6. Schlußfolgerungen In der Praxis zeigen sich spezifische Merkmale beider Verfahren. Zusammenfassend konnen COMs Textturen besser herausfiltern als SOMs, die wiederum für farbige Bilder bessere Daten liefern. COMs Performance wird durch marinen Schnee weniger stark beeinflusst als bei SOMs. SOMs sind im Vergleich zu COMs wesentlich schneller zu berechnen. SOMs klassifizieren die Texture-Merkmale automatisch, während COMs von Anfang an spezifisch für einzelne Texture- Features angepasst sind. COMs + sehr gut geeignet bei graustufen-textturen + hohe Performance trotz 'marine snow' - geringere Sensibilität für Farben - Feature-Merkmale müssen vorher bekannt sein - zeitaufwendige Berechnung SOMs + sehr gut geeignet bei farbigen Bildern + wichtigste Feature-Merkmale werden automatisch generiert + sehr schnelle Rechenzeit - geringe Performance bei 'marine snow' - geringere Sensibilität für Texturen
21 7. Quellen 1) Texture Analysis for Seabed Classification N.Pican, E. Trucco, M.Ross, D.M. Lane, Y.Petillot and I. Tena Ruiz (1998) 2) Self-Organizing Maps, Teuvo Kohonen, Helge Ritter (1997) 3) Color Co-Occurence Descriptors for Querying-by-Example Vassili Kovalev, Stephan Volmer (Fraunhofer Institute for Computer Graphics) 4) Seabed Imaging and Mapping System (SIMS) N. Pican 5) Vom Neuron zum Gehirn J. Kuffler et. al. 6) Finnish Institute of Marine Research's WWW pages for the CEO-project Sea Ice Classification Based on RADARSAT Images 7) Texturanalyse whois/wissmit/weis/diplom/html/index.html
Selbstorganisierende Karten
Selbstorganisierende Karten Marten Jäger 6. August 2007 Zusammenfassung Selbstorganisierte Karten (SOM ) sind ein unüberwachtes Lernverfahren mit dem Ziel eine topologische Darstellung des Eingaberaums
MehrSelbstorganisierende Karten
Selbstorganisierende Karten Vorlesung Maschinelles Lernen II Dr. Theo Lettmann Oliver Kramer 22. Mai 2006 Überblick Grundlagen SOMs Anwendungen 2D-SOMs Neuronales Gas 2 Grundlagen der Neuronalen Informationsverarbeitung
MehrKünstliche neuronale Netze
Künstliche neuronale Netze Eigenschaften neuronaler Netze: hohe Arbeitsgeschwindigkeit durch Parallelität, Funktionsfähigkeit auch nach Ausfall von Teilen des Netzes, Lernfähigkeit, Möglichkeit zur Generalisierung
MehrKapitel ML:XII. XII. Other Unsupervised Learning. Nearest Neighbor Strategies. Self Organizing Maps Neural Gas. Association Analysis Rule Mining
Kapitel ML:XII XII. Other Unsupervised Learning Nearest Neighbor Strategies Self Organizing Maps Neural Gas Association Analysis Rule Mining Reinforcement Learning ML:XII-1 Unsupervised Others LETTMANN
Mehr1 Einleitung. 2 Clustering
Lernende Vektorquantisierung (LVQ) und K-Means-Clustering David Bouchain Proseminar Neuronale Netze Kurs-Nr.: CS4400 ISI WS 2004/05 david@bouchain.de 1 Einleitung Im Folgenden soll zum einen ein Überblick
MehrIdeen und Konzepte der Informatik. Maschinelles Lernen. Kurt Mehlhorn
Ideen und Konzepte der Informatik Maschinelles Lernen Kurt Mehlhorn Übersicht Lernen: Begriff Beispiele für den Stand der Kunst Spamerkennung Handschriftenerkennung mit und ohne Trainingsdaten Gesichts-
MehrSelbstorganisierende Karten
Selbstorganisierende Karten (engl. Self-Organizing Maps (SOMs)) Rudolf Kruse Neuronale Netze 169 Selbstorganisierende Karten Eine selbstorganisierende Karte oder Kohonen-Merkmalskarte ist ein neuronales
MehrKohonennetze Selbstorganisierende Karten
Kohonennetze Selbstorganisierende Karten Julian Rith, Simon Regnet, Falk Kniffka Seminar: Umgebungsexploration und Wegeplanung mit Robotern Kohonennetze: Neuronale Netze In Dendriten werden die ankommenden
MehrSelbstorganisierende Karten
Selbstorganisierende Karten Yacin Bessas yb1@informatik.uni-ulm.de Proseminar Neuronale Netze 1 Einleitung 1.1 Kurzüberblick Die Selbstorganisierenden Karten, auch Self-Organizing (Feature) Maps, Kohonen-
MehrWinter 2011/ Projekt kd- Trees. achsenparallelen Farbwürfel angeordnet. Die beiden schwarz- weiß- Ecken verbindet eine Graulinie.
Praktikum Algorithmik Prof. Dr. Heiner Klocke Winter 2011/2012 12.11.2011 1. Erläuterung des Umfeldes Projekt kd- Trees Bei der Bildanalyse sollen Farbpunkte eines Bildes klassifiziert werden. Die Farbe
MehrMethoden zur Visualisierung von Ergebnissen aus Optimierungs- und DOE-Studien
Methoden zur Visualisierung von Ergebnissen aus Optimierungs- und DOE-Studien Katharina Witowski katharina.witowski@dynamore.de Übersicht Beispiel Allgemeines zum LS-OPT Viewer Visualisierung von Simulationsergebnissen
MehrSeminar über Neuronale Netze und Maschinelles Lernen WS 06/07
Universität Regensburg Naturwissenschaftliche Informatik Seminar über Neuronale Netze und Maschinelles Lernen WS 06/07 Cluster-Algorithmen II: Neural Gas Vortragender: Matthias Klein Gliederung Motivation:
MehrSelbstorganisierende Merkmalskarten
Selbstorganisierende Merkmalskarten Motivation (Gehirn) Architektur Topographische Merkmalskarten Selbstorganisierende Merkmalskarte (Kohonen-Lernregel) Anwendungsbeispiele (Folien: Holger Arndt) Motivation:
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
MehrAnwendung datengetriebener Modelle zur Zustandsanalyse bei verfahrenstechnischen Anlageneinheiten: Theoretische Grundlagen
Anwendung datengetriebener Modelle zur Zustandsanalyse bei verfahrenstechnischen Anlageneinheiten: Theoretische Grundlagen Christian W. Frey 2011 Anwendung datengetriebener Modelle zur Zustandsanalyse
MehrPROCMON. Performance und Condition Monitoring komplexer verfahrenstechnischer Prozesse. Christian W. Frey. christian.frey@iosb.fraunhofer.
PROCMON Performance und Condition Monitoring komplexer verfahrenstechnischer Prozesse Christian W. Frey 2011 PROCMON Performance und Condition Monitoring komplexer verfahrenstechnischer Prozesse 1. Motivation
MehrKlassifikation und Ähnlichkeitssuche
Klassifikation und Ähnlichkeitssuche Vorlesung XIII Allgemeines Ziel Rationale Zusammenfassung von Molekülen in Gruppen auf der Basis bestimmter Eigenschaften Auswahl von repräsentativen Molekülen Strukturell
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
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
MehrMultimedia-Metadaten und ihre Anwendung
Multimedia-Metadaten und ihre Anwendung 14.02.2006 Automatische Gesichtserkennung Dominikus Baur Gesichtserkennung in MPEG-7 MPEG-7 bietet Face Descriptor zur Beschreibung von Gesichtern Im Folgenden:
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
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
MehrMidas Metadata yield by Data Analysis
Midas Metadata yield by Data Analysis Glossar powered by Was ist Text Mining? Unter Text Mining versteht sich im Allgemeinen die Extraktion von strukturierten Informationen aus unstrukturierten oder semistrukturierten
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
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
MehrNeuronale Netze. Seminar aus Algorithmik Stefan Craß,
Neuronale Netze Seminar aus Algorithmik Stefan Craß, 325656 Inhalt Theoretisches Modell Grundlagen Lernansätze Hopfield-Netze Kohonen-Netze Zusammenfassung 2 Inhalt Theoretisches Modell Grundlagen Lernansätze
MehrBilder: Eigenschaften
Bilder: Eigenschaften Images M. Thaler TG208 tham@zhaw.ch Juni 17 1 1 Um was geht es? Juni 17 2 Was ist ein Bild? - hier sehen sie verschiedene Ausschnitte eines digitalen Bildes -das Bild besteht aus
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
MehrTechnische Universität. Fakultät für Informatik
Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik VI Selbstorganisierende Karten Seminar Kognitive Robotik (SS12) Thomas Hoffmann Betreuer: Dr. Florian Röhrbein
MehrVerkehr Analyse. Inhalt. Was ist Verkehr Analyse? Geschichte der Verkehr Analyse. Iavor Jelev Jintao Ding
Inhalt Verkehr Analyse Iavor Jelev Jintao Ding Was ist Verkehr Analyse? Wozu ist die Verkehr Analyse gut? Wie kann man Verkehr Analyse machen? Anwendungsbeispiele Algorithmen für Verkehr Analyse Geschichte
MehrKonzepte der AI Neuronale Netze
Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale
MehrMod. 2 p. 1. Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Fernerkundung und Waldinventur
Histogramme der Grauwerte der TM Kanäle 1-7 für das Beispielsbild. - Kanäle 4 und 5 zeigen mehr Differenzierung als die anderen (Kontrast=das Verhältnis der hellsten zur dunkelsten Fläche in der Landschaft).
MehrRobust Pixel Classification for RoboCup
Robust Pixel Classification for RoboCup Farbworkshop 2010 Ilmenau Andreas Fürtig, Holger Friedrich, Rudolf Mester andreas.fuertig@vsi.cs.uni-frankfurt.de http://www.vsi.cs.uni-frankfurt.de joint robotics
MehrObjektorientierte Bildverarbeitung Methodische Grundlagen
ARC GmbH Objektorientierte Bildverarbeitung Methodische Grundlagen Klaus Steinnocher, Florian Kressler klaus.steinnocher@arcs.ac.at Geschäftsfeld Umweltplanung ARC http://www.arcs.ac.at/s 1 ARC GmbH Einleitung!
MehrComputational Intelligence 1 / 20. Computational Intelligence Künstliche Neuronale Netze Perzeptron 3 / 20
Gliederung / Künstliche Neuronale Netze Perzeptron Einschränkungen Netze von Perzeptonen Perzeptron-Lernen Perzeptron Künstliche Neuronale Netze Perzeptron 3 / Der Psychologe und Informatiker Frank Rosenblatt
Mehr5 Mapping-Techniken. 5.1 Motivation
5.1 Motivation Bisher sind alle Oberflächen (polygonale Objekte, später auch parametrisierte Freiformflächen) glatt im Gegensatz zu wirklich existierenden natürlichen Oberflächen. Die explizite Wiedergabe
MehrMathematische Grundlagen III
Mathematische Grundlagen III Maschinelles Lernen III: Clustering Vera Demberg Universität des Saarlandes 7. Juli 202 Vera Demberg (UdS) Mathe III 7. Juli 202 / 35 Clustering vs. Klassifikation In den letzten
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
MehrLU Grundlagen der digitalen Bildverarbeitung Abgabe 2. Gruppe 25 peter holzkorn andreas bretschneider martin tintel
LU Grundlagen der digitalen Bildverarbeitung Abgabe 2 Gruppe 25 peter holzkorn 0426262 andreas bretschneider 0327444 martin tintel 0402913 Beispiel 6 Texturanalyse und Texturklassifikation Texturklassen
MehrParallele Algorithmen in der Bildverarbeitung
Seminar über Algorithmen - SoSe 2009 Parallele Algorithmen in der Bildverarbeitung von Christopher Keiner 1 Allgemeines 1.1 Einleitung Parallele Algorithmen gewinnen immer stärker an Bedeutung. Es existieren
MehrSemiüberwachte Paarweise Klassifikation
Semiüberwachte Paarweise Klassifikation Andriy Nadolskyy Bachelor-Thesis Betreuer: Prof. Dr. Johannes Fürnkranz Dr. Eneldo Loza Mencía 1 Überblick Motivation Grundbegriffe Einleitung Übersicht der Verfahren
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
MehrGrowing neural Gas Strukturen lernen. Torsten Siedel 23.05.2012
Growing neural Gas Strukturen lernen Torsten Siedel 23.05.2012 Inhalt 1. Prozess der Selbstorganisation 2. Lernen - momentan oder statistisch? 3. Vektorbasierte Neuronale Netze 4. Klassifizierung der Lernverfahren
MehrKlassifikation linear separierbarer Probleme
Klassifikation linear separierbarer Probleme Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Klassifikation linear
MehrSimulation neuronaler Netzwerke mit TIKAPP
Überblick Michael Hanke Sebastian Krüger Institut für Psychologie Martin-Luther-Universität Halle-Wittenberg Forschungskolloquium, SS 2004 Überblick Fragen 1 Was sind neuronale Netze? 2 Was ist TIKAPP?
MehrEffiziente Java Implementierung von echtzeitfähiger, stabiler Farbsegmentierung mittels k nächste Nachbarn
Effiziente Java Implementierung von echtzeitfähiger, stabiler Farbsegmentierung mittels k nächste Nachbarn Christian Schellewald http://www.iet.ntnu.no/~schellew/java/knn/ Wiesbaden, den 5. November 2010
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..................
MehrWir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs)
6. Neuronale Netze Motivation Wir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs) Abstrakt betrachtet sind alle diese
MehrWiFi Chipset Fingerprinting
WiFi Chipset Fingerprinting Secure Business Austria und Institut für Angewandte Informationsverarbeitung und Kommunikationstechnologie Technische Universität Graz Günther Lackner Mario Lamberger Udo Payer
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische
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
MehrRelationen und Graphentheorie
Seite Graphentheorie- Relationen und Graphentheorie Grundbegriffe. Relationen- und Graphentheorie gehören zu den wichtigsten Hilfsmitteln der Informatik, die aus der diskretenmathematik stammen. Ein Graph
MehrBild-Erkennung & -Interpretation
Kapitel I Bild-Erkennung & -Interpretation FH Aachen / Jülich, FB 9 Prof. Dr. rer.nat. Walter Hillen (Dig Img I) 1 Einführung Schritte zur Bilderkennung und Interpretation: Bild-Erfassung Vorverarbeitung
MehrMaschinelles Lernen: Symbolische Ansätze. Wintersemester 2013/2014 Musterlösung für das 7. Übungsblatt
Maschinelles Lernen: Symbolische Ansätze Wintersemester 2013/2014 Musterlösung für das 7. Übungsblatt 1 Aufgabe 1 Nearest Neighbour Gegeben sei folgende Beispielmenge: Day Outlook Temperature Humidity
Mehr2.5.2 Selbstorganisierte Karten: das Modell von Kohonen. Weil es beim Perzeptron keine Wechselwirkung in der Verarbeitungsschicht
2.5.2 Selbstorganisierte Karten: das Modell von Kohonen Weil es beim Perzeptron keine Wechselwirkung in der Verarbeitungsschicht zwischen den einzelnen Neuronen gibt, spielt deren räumliche Anordnung keine
MehrÜbersicht über die Themen
Übersicht über die Themen 1. Beschreibung von natürlichem Terrain, insbes. unter Wasser 2. Handgestenerkennung für mobile Augmented Reality (AR) Anwendungen 3. Deep Learning im Bereich Gesichtswiedererkennung
MehrEinführung in neuronale Netze
Einführung in neuronale Netze Florian Wenzel Neurorobotik Institut für Informatik Humboldt-Universität zu Berlin 1. Mai 2012 1 / 20 Überblick 1 Motivation 2 Das Neuron 3 Aufbau des Netzes 4 Neuronale Netze
MehrReranking. Parse Reranking. Helmut Schmid. Institut für maschinelle Sprachverarbeitung Universität Stuttgart
Institut für maschinelle Sprachverarbeitung Universität Stuttgart schmid@ims.uni-stuttgart.de Die Folien basieren teilweise auf Folien von Mark Johnson. Koordinationen Problem: PCFGs können nicht alle
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung 1. Einführung 2. Bildverarbeitung 3. orphologische Operationen 4. Bildsegmentierung 5. erkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 5. Juli 2011 Zunächst: PCA (Hauptkomponentenanalyse) ist eine mathematische Prozedur, die eine Anzahl von (möglicherweise korrelierten) Variablen
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
MehrAufbau und Auswertung von Nah- Infrarot (NIR)-Datenbanken zur Identifizierung von Arzneistoffen
A Aufbau und Auswertung von Nah- Infrarot (NIR)-Datenbanken zur Identifizierung von Arzneistoffen Dissertation der Fakultät für Chemie und Pharmazie der Eberhard-Karls-Universität Tübingen zur Erlangung
MehrAnalyse eines zweistufigen, regionalen Clusteralgorithmus am Beispiel der Verbundenen Wohngebäudeversicherung
Analyse eines zweistufigen, regionalen Clusteralgorithmus am Beispiel der Verbundenen Wohngebäudeversicherung Zusammenfassung der Diplomarbeit an der Hochschule Zittau/Görlitz Maria Kiseleva Motivation
MehrKonzepte II. Netzwerkanalyse für Politikwissenschaftler
Konzepte II Netzwerkanalyse für Politikwissenschaftler Wiederholung Räumliche Distanzen und MDS Hauptkomponenten Neuere Entwicklungen Netzwerkanalyse für Politikwissenschaftler Konzepte II (1/20) Worum
MehrGliederung. Biologische Motivation Künstliche neuronale Netzwerke. Anwendungsbeispiele Zusammenfassung. Das Perzeptron
Neuronale Netzwerke Gliederung Biologische Motivation Künstliche neuronale Netzwerke Das Perzeptron Aufbau Lernen und Verallgemeinern Anwendung Testergebnis Anwendungsbeispiele Zusammenfassung Biologische
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
Mehr9th NEMO-SpectroNet Collaboration Forum
9th NEMO-SpectroNet Collaboration Forum Jena, 15.12.2010 Color and Multi Spectral Imaging An Overview Dr. Ing. Thomas Fahlbusch, PhotonicNet GmbH, Hannover Farbaufnahme 1-Chipkamera Bayer Farbmosaik Chips
MehrDigitale Bildverarbeitung (DBV)
Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung
MehrGeostatistik und Anwendungen im Precision Farming
Geostatistik und Anwendungen im Precision Farming Irina Kuzyakova Institut für Pflanzenbau und Grünland Precision Farming Managementstrategie, die die räumlichen Informationstechnologien benutzt, um Entscheidungen
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
MehrWas sind Neuronale Netze?
Neuronale Netze Universität zu Köln SS 2010 Seminar: Künstliche Intelligenz II Dozent: Stephan Schwiebert Referenten: Aida Moradi, Anne Fleischer Datum: 23. 06. 2010 Was sind Neuronale Netze? ein Netzwerk
MehrSelbstorganisierende Merkmalskarten
Selbstorganisierende Merkmalskarten Motivation (Gehirn) Netzwerk-Architektur Topographische Merkmalskarten (Früher: Kohonen-Karten ) Selbstorganisierende Merkmalskarte (Kohonen-Lernregel) Anwendungsbeispiele
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
MehrOft gebraucht man einfach nur das Wort Mannigfaltigkeit, und meint eine topologische Banachmannigfaltigkeit. Das kommt auf den Kontext an.
Mannigfaltigkeiten (Version 19.11. 14:30) Eine n-dimensionale topologische Mannigfaltigkeit ist ein topologischer Raum, der lokal homöomorph zum R n ist. Entsprechend könnten wir natürlich auch eine topologische
MehrComputer Vision: AdaBoost. D. Schlesinger () Computer Vision: AdaBoost 1 / 10
Computer Vision: AdaBoost D. Schlesinger () Computer Vision: AdaBoost 1 / 10 Idee Gegeben sei eine Menge schwacher (einfacher, schlechter) Klassifikatoren Man bilde einen guten durch eine geschickte Kombination
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
MehrMedienforensik - Manipulationserkennung. Multimedia Sicherheit, Martin Steinebach
Medienforensik - Manipulationserkennung - Ballistik Image Forensics Forensische Anwendungen im Bildbereich sind mehrfach belegt Optimierung von Bildern, die z.b. mit Überwachungskameras aufgenommen wurden
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
Mehr5. Clusteranalyse. Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer Clusterstruktur kennen, verschiedene
MehrData Mining und Maschinelles Lernen Lösungsvorschlag für das 7. Übungsblatt
Data Mining und Maschinelles Lernen Lösungsvorschlag für das 7. Übungsblatt Knowledge Engineering Group Data Mining und Maschinelles Lernen Lösungsvorschlag 7. Übungsblatt 1 Aufgabe 1a) Auffüllen von Attributen
MehrObjekterkennung durch Vergleich von Farben. Videoanalyse Dr. Stephan Kopf HWS2007 Kapitel 5: Objekterkennung
Objekterkennung durch Vergleich von Farben 48 Farbräume (I) Definitionen: Farbe: Sinnesempfindung (keine physikalische Eigenschaft), falls Licht einer bestimmten Wellenlänge auf die Netzhaut des Auges
MehrProseminar Neuronale Netze Frühjahr 2004
Proseminar Neuronale Netze Frühjahr 2004 Titel: Perzeptron Autor: Julia Grebneva, jg7@informatik.uni-ulm.de Einleitung In vielen Gebieten der Wirtschaft und Forschung, stellen sich oftmals Probleme, die
MehrDie Wahrnehmung von Durchsichtigkeit. Referentin: Carina Kogel Seminar: Visuelle Wahrnehmung Dozent: Dr. Alexander C. Schütz
Die Wahrnehmung von Durchsichtigkeit Referentin: Carina Kogel Seminar: Visuelle Wahrnehmung Dozent: Dr. Alexander C. Schütz Die Wahrnehmung von Durchsichtigkeit Ein Mosaik aus undurchsichtigen Farbflächen
MehrNeuronale Netze. Prof. Dr. Rudolf Kruse Christoph Doell, M.Sc.
Neuronale Netze Prof. Dr. Rudolf Kruse Christoph Doell, M.Sc. Computational Intelligence Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik kruse@iws.cs.uni-magdeburg.de Rudolf Kruse
MehrEuklidische Distanzmatrizen. Andrei Grecu
Euklidische Distanzmatrizen Andrei Grecu Übersicht Motivation Definition und Problemstellung Algo 1: Semidefinite Programmierung Algo 2: Multidimensional Scaling Algo 3: Spring Embedder Algo 4: Genetischer
MehrData Mining und Maschinelles Lernen Wintersemester 2015/2016 Lösungsvorschlag für das 3. Übungsblatt
Data Mining und Maschinelles Lernen Wintersemester 2015/2016 Lösungsvorschlag für das 3. Übungsblatt 18. November 2015 1 Aufgabe 1: Version Space, Generalisierung und Spezialisierung (1) Gegeben sei folgende
Mehr5. Clusteranalyse Vorbemerkungen. 5. Clusteranalyse. Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Vorbemerkungen 5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer
Mehr6 Distanzfunktionen (2) 6 Distanzfunktionen. 6.1 Eigenschaften und Klassifikationen. Einführung
6 en 6 en (2) 1. Eigenschaften und Klassifikation 2. en auf Punkten Minkowski L m Gewichtete Minkowski L m w Quadratische d q Quadratische Pseudo Dynamical Partial Semi Pseudo Chi Quadrat Semi Pseudo Kullback
MehrBoolesche Operationen und lokale Manipulationen
1 Boolesche Operationen und lokale Manipulationen Mit Hilfe Boolescher Operatoren werden komplexe Körper aus Instanzen generischer Grundkörper konstruiert.. Grundkörper Aus den Grundkörpern erzeugter Körper
Mehr6 Distanzfunktionen. Quadratische Pseudo. 1. Eigenschaften und Klassifikation
6 Distanzfunktionen 1. Eigenschaften und Klassifikation 2. Distanzfunktionen auf Punkten Minkowski Distanzfunktion L m Gewichtete Minkowski Distanzfunktion L m w Quadratische Distanzfunktion d q Quadratische
MehrKünstliche Intelligenz
1. Juni, 2017 Künstliche Intelligenz Stand der Forschung, Aktuelle Probleme & Herausforderungen Prof. Dr. Roland Kwitt Fachbereich Computerwissenschaften Universität Salzburg Übersicht Begrifflichkeiten
MehrAnalysis II. Vorlesung 52. Diffeomorphismen
Prof. Dr. H. Brenner Osnabrück SS 2014 Analysis II Vorlesung 52 Diffeomorphismen Der Satz über die lokale Umkehrbarkeit gibt Anlass zu folgender Definition. Definition 52.1. EsseienV 1 undv 2 endlichdimensionalereellevektorräume
MehrGP-Music: An Interactive Genetic Programming System for Music Generation with Automated Fitness
GP-Music: An Interactive Genetic Programming System for Music Generation with Automated Fitness Raters Brad Johanson, Riccardo Poli Seminarvortrag von Thomas Arnold G ˇ ˇ ˇ ˇ WS 2012/13 TU Darmstadt Seminar
MehrDarstellungsarten für 3D-Körper. Boundary Representation (BRep):
Darstellungsarten für 3D-Körper Boundary Representation (BRep): Darstellung eines (verallgemeinerten) Polyeders durch das System seiner Ecken, Kanten und Facetten Abspeichern durch (Teilgraphen des) vef-graphen
MehrEntwicklung eines 3D-Scanners mit farbigem strukturiertem Licht unter Verwendung von HDR-Bilddaten. Diplomverteidigung Frank Michel
Entwicklung eines 3D-Scanners mit farbigem strukturiertem Licht unter Verwendung von HDR-Bilddaten Diplomverteidigung Frank Michel Gliederung Einführung Kodierung des Projektionsmusters HDR-Bilddaten Korrespondenzanalyse
MehrSemantisches Gedächtnis HAL-Modell Experimente Fazit Literatur HAL. Hyperspace Analogue to Language. Mandy Neumann. 30. April 2012
HAL Hyperspace Analogue to Language Mandy Neumann 30. April 2012 Inhalt Semantisches Gedächtnis HAL-Modell Experimente Fazit Gedächtnisstruktur Prozedurales (implizites) Gedächtnis Gedächtnisstruktur Prozedurales
MehrSupervised Learning Algorithmus für Stellenanzeigenklassifikation und Jobdeskriptoren Gewinnung
Informatik Pawel Broda Supervised Learning Algorithmus für Stellenanzeigenklassifikation und Jobdeskriptoren Gewinnung Diplomarbeit Ludwig Maximilian Universität zu München Centrum für Informations- und
MehrWie können Computer lernen?
Wie können Computer lernen? Ringvorlesung Perspektiven der Informatik, 18.2.2008 Prof. Jun. Matthias Hein Department of Computer Science, Saarland University, Saarbrücken, Germany Inferenz I Wie lernen
Mehr