Mustererkennung
Dr.-Ing. Heiko Münkel
Organisatorisches
Fachnr: 3615
Übungsbetreuung:
Dipl.-Ing. Ralf Dragon,
M. Sc. Alina Kuznetsova
Termine (jeweils im Wintersemester, 3 Semesterwochenstunden):
- Vorlesungstermine: siehe
- Übungstermine: siehe
Prüfung:
- schriftlich
- Anmeldung für Nachweis erfolgt über Eintragung in Listen im Flur 13. Stock.
- Dauer: 2h
- Hilfsmittel: nicht-programmierbarer Taschenrechner, andere Hilfsmittel sind nicht zugelassen.
- 4-5 Aufgaben, davon 1 Aufgabe als Kurzfragenteil.
- Termine: siehe
Material:
- Vorlesung: siehe
- Übung: siehe
Inhaltsverzeichnis
- Einführung
- Grundlagen der Mustererkennung
- Verfahren der Wissensrepräsentation
- Bildbeschreibung
- Ähnlichkeitsmaße
- Strategien der Mustererkennung
- Numerische Klassifikation
- Entscheidungstabelle, Entscheidungsbaum
- Nahester Nachbar Klassifikation, Prototypbasierte Klassifikation
- Bayes-Klassifikator
- Merkmalsauswahl
- Clusteranalyse
- Support Vector Maschinen
- Neuronale Netze
- Strukturelle Klassifikation
- Graphvergleichende Verfahren: Relaxation, Dynamische Programmierung, Heuristische Suche
- Modellauswertende Verfahren: Wissensbasierte Verfahren
- Erfahrungsbasierte Klassifikation
- Sichere Klassifikation
- Heuristische Klassifikation
Gegenstand der Vorlesung
Der Gegenstand der Vorlesung sind die Konzepte und Verfahren zur
Beschreibung und zur Interpretation von Mustern. Die Erläuterungen erfolgen
mehrheitlich an Beispielen bildlicher Muster. Für die Beschreibung und
Klassifikation der Muster werden sowohl die klassischen Verfahren der
statistisch-numerischen Mustererkennung erläutert, als auch Verfahren, die
auf der Verwendung komplexer symbolischer Methoden der Wissensrepräsentation
und Wissensnutzung basieren.
In der Übung werden die dargelegten Verfahren an Übungsaufgaben
vertieft. Wegen der hohen numerischen Komplexität bei den meisten
angewandten Problemstellungen gibt es neben dem Rechnen per Hand immer
auch Lösungsbeispiele in der Programmiersprache Matlab bzw. Octave (freie Variante
von Matlab). Mithilfe des zur Verfügung gestellten Matlab-Codes können
die Algorithmen an eigenen Mustererkennungsaufgaben zuhause vertieft
werden. Eine Einführung in die Sprache Matlab wird in der ersten Übungsstunde
durchgeführt.
Voraussetzungen
Kenntnisse der Ingenieursmathematik
Ergänzende Literatur
- Liedtke, Ender: Wissensbasierte Bildverarbeitung, Springer-Verlag, 1989
- Puppe: Problemlösungsmethoden in Expertensystemen, Springer-V, 1990
- Winston: Artificial Intelligence, Addison-Wesley, 1992
- Niemann: Pattern Analysis and Understanding, Springer-Verlag, 1989
- Niemann: Klassifikation von Mustern, 2003 (pdf)
Ergänzende Vorlesungen
