Computer Vision

1
Computer Vision

• Klassifizierung, Boosting
• Yun-Yi Lisa Wang
• wangyu_at_in.tum.de
• 08.07.2004

2
Übersicht

• Motivation
• Wozu braucht man Klassifizierung
• Grundlagen
• Was ist Klassifizierung
• Entscheidungsgrenze finden
• Methoden zum Bau von Klassifikatoren
• Klassifizierung mittels Histrogramm
• Auswahl der Merkmale
• Verbesserung durch Boosting
• Fazit

3
Motivation

• Fahrerassistenzsystem
• Mensch-Maschine-Schnittstelle
• Spracherkennung, Mimikerkennung

4
Klassifizierung

• Was sind
• Merkmale
• Labeling
• Klassen
• Trainingsbeispiele
• Trainingsmenge
• Entscheidungsgrenze

5
Entscheidungsgrenze finden

• Verlustfunktion
• Gesamtrisiko berechnen
• Gesamtrisiko minimieren

6
Methode mit Normalverteilung

• Parameter der Normalverteilung für Klasse k
• Mittelwert
• Varianz
• Aktion Klassifizierung von Stichprobe x
• wähle die Klasse mit der geringsten Distanz zu x
• verwende dabei Mahalanobis Distanz

7
Mahalanobis Distanz

• Unterschiedliche Gewichtung des Abstandsmaßes

• die Distanz hat ein größeres Gewicht in der
  Richtung der kleineren Abweichung
• die Distanz hat ein kleineres Gewicht in der
  Richtung der größeren Abweichung

8
Methode mit Nearest Neighbours

• k nächste Nachbarn suchen
• Einfache Mehrheit muss mehr als l sein

9
Klassifikator mittels Histogramm

• Wahrscheinlichkeitsmodell durch Histogramm
• Vor- und Nachteil verglichen mit
  Normalverteilung
• Vorteil realitätsnäher
• Nachteil rechenaufwendiger

10
Auswahl der Merkmale

• Anforderungen
• Eindeutig für die Klasse
• Invariant zur Veränderungen
• Nicht zu viele auch nicht zu wenige Merkmale
• Verschiedene Einheiten
• Länge im Pixel
• Grauwert
• Winkel

11
Verbesserung mit Boosting

• Erster Boosting Algorithmus aus dem Jahr 1989
• Zur Zeit Adaboost
• Grundidee des Trainings
• Wir wollen t-mal trainieren, wobei t T
• Alle Trainingsdaten haben anfangs gleiches
  Gewicht
• Geringste Fehlerwahrscheinlichkeit suchen
• Damit Hypothese ht und deren Faktor at
  feststellen
• Gewicht für falsch klassifizierte Daten erhöhen
• Wenn t lt T goto 2
• End-Hypothese ? ht at

12
Beispiel für Boosting

• http//www.cs.technion.ac.il/rani/LocBoost/index.
  html

13
Fazit

• Linearer Klassifikator
• Dynamic Time Warping (Dynamische Programmierung)
• Hidden Markov Modelle (HMM)
• Artificial Neural Network (ANN)

x
Klassifikator
Trainingsmenge
y