- Vorlesungsbefragung im Sommersemester 2023
- Vorlesungsbefragung im Sommersemester 2020
- Vorlesungsbefragung im Sommersemester 2018
- Vorlesungsbefragung im Sommersemester 2017
- Vorlesungsbefragung im Sommersemester 2016
- Vorlesungsbefragung im Sommersemester 2015
- Vorlesungsbefragung im Sommersemester 2014
- Vorlesungsbefragung im Sommersemester 2013
- Vorlesungsbefragung im Sommersemester 2012
- Vorlesungsbefragung im Sommersemester 2011
- Vorlesungsbefragung im Sommersemester 2010
- Vorlesungsbefragung im Sommersemester 2009
- Vorlesungsbefragung im Sommersemester 2008
- Vorlesungsbefragung im Sommersemester 2007
- Vorlesungsbefragung im Sommersemester 2006
- Vorlesungsbefragung im Sommersemester 2005
Mustererkennung
- Typ: Vorlesung
- Semester: Hauptdiplom / Master
-
Ort:
Geb. 50.34 HS -101
- Zeit: Mi 14:00 - 15:30
- Beginn: 16.04.2014
- Dozent: Prof. Dr.-Ing. Jürgen Beyerer
- SWS: 2
- ECTS: 3
- LVNr.: 24675
- Prüfung:
Die Mustererkennung ist ein Teilgebiet der Informatik. Sie beschäftigt sich mit der maschinellen Erkennung und Klassifikation von Objekten anhand von Bildern und anderen Signalen. Während das kognitive System des Menschen in der Lage ist, selbst komplexe Muster in gestörten Signalen intuitiv zu erfassen, muss diese Fähigkeit einem maschinellen System erst in einem problemangepassten Verfahren beigebracht werden. Beispiele für die Anwendung von Verfahren der Mustererkennung sind die Spracherkennung, Identifikation durch Biometrie, optische Zeichenerkennung (OCR) sowie die automatische Sichtprüfung.
Inhalt der Vorlesung
Mustererkennung arbeitet im Wesentlichen mit vier grundlegenden Konzepten: Klassen, Mustern, Merkmalen und Klassifikatoren. Klassen partitionieren die betrachtete Domäne in Teilmengen äquivalenter Objekte. Muster sind durch Beobachtung oder Messung gewonnene Daten über Objekte. Merkmale dienen zur Beschreibung charakteristischer Eigenschaften von Objekten und Klassen. Sie werden aus den Mustern extrahiert. Klassifikatoren sind Entscheidungsverfahren für die Festlegung der mutmaßlichen Klassenzugehörigkeit von Objekten anhand ihrer Merkmale.
Der erste Teil der Vorlesung behandelt die Auswahl, Gewinnung und Eigenschaften von Merkmalen. Ausführlich wird auf mathematische Methoden eingegangen, die zu geeigneten Merkmale führen. Der zweite Teil der Vorlesung befasst sich mit verschiedenen Klassifikatoren und Klassifikationsmethoden. Schwerpunkte sind die Leistung von Klassifikatoren und die Verarbeitungskette Problemstellung – Muster – Merkmal – Klassifikator. Darüber hinaus werden grundsätzliche Fragestellungen wie: Parameterschätzung, Klassifikation auf der Basis von qualitativen Merkmalen, die Problematik zu hoher Dimension des Merkmalsraumes, Overfitting, Rückweisungskriterien und der Zusammenhang mit der statistischen Lerntheorie behandelt.