|
ASM
|
Active
Shape Models: Will man in der Bildverarbeitung deformierbare Objekte
(Gesichter, Hände, medizinische Aufnahmen) beschreiben, so kommt
man mit starren Modellen nicht sehr weit. Shape Models sind flexible
Konturen oder Formen (Form = shape), die "lernen", in
welche Richtung sie sich leicht / schwer deformieren lassen. Active
Shape Models sind Modelle, die sich automatisch auf ein vorgegebenes
Bild anpassen.
LV: WPF MIAV (BA)
und WPF MIAV (MA).
|
|
AAM
|
Active Appearance
Models: Weiterentwicklung
der ASMs: nicht nur die Form, sondern auch die Textur (Aussehen
= appearance) wird gelernt. Hierdurch lassen sich mit nur wenigen
Parametern aus einem Modell eine Vielzahl von Bildinstanzen erzeugen.
Anwendungsfelder: Gesichtsmodellierung, -findung, z.B. Tracking
bei Videotelefonie, Übertragung von Gesichtsmimik auf Avatare,
Eye Tracking, modellbasierte Registrierung in medizinischen Bildern.
LV:
WPF MIAV (BA)
und WPF MIAV (MA).
Externe Links: www.isbe.man.ac.uk/~bim,
http://www2.imm.dtu.dk/~aam.
|
|
Computational
Intelligence (CI)
|
Der
Begriff Computational Intelligence (CI) umfasst
die drei Gebiete Evolutionäre Algorithmen, Neuronale Netze
und Fuzzy Logic. Methoden der Computational Intelligence finden
Anwendung bei komplexen Optimierungsaufgaben und bei Aufgaben
des Data Mining.
LV: WPF DMC
|
|
Data
Mining
|
Data
Mining befasst sich mit der automatisierten Analyse von Daten
im weitesten Sinne, wie z.B. Geschäftsprozessdaten in Data Warehouses,
Messreihen aus technischen Systemen, Daten in geografischen Informationssystemen
bis hin zum Text Mining als aktuellem Forschungsgebiet.
LV: WPF DMC
|
|
Game
Physics
|
Wenn
in Computerspielen Bewegung und Verhalten von Objekten und Charakteren
gemäß physikalischer Gesetze online berechnet werden, so spricht
man von Game Physics oder Physics Engines. Dadurch können auch
komplexe Interaktionsmuster (Kollisionen) oder Oberflächen (Wasser,
Stoffe) realitätsnah abgebildet werden. Die Gestaltung von interaktiven
virtuellen Welten wird mit Physics Engines wesentlich vereinfacht.
Bekannte Vertreter sind ODE (Open Dynamics Engine)
oder Newton.
LV: WPF Spiele und Simulation.
|
|
Image
Mosaicing
|
Beim Image Mosaicing werden mehrere
überlappende Bilder so transformiert (Warping)
und dann zusammengesetzt, dass sich ein großes Gesamtbild ergibt
(Anwendung z.B. bei 360-Grad-Panoramen). Die Kunst liegt darin,
die Passung möglichst vollautomatisch zu ermitteln. Man unterscheidet
zwischen featurebasierten und intensitätsbasierten Ansätzen.
LV: WPF BV
|
|
Neuroevolution
|
Unter Neuroevolution versteht
man die Veränderung eines neuronalen Netzes mit Methoden
der Evolutionären Algorithmen. Es kann sich dabei um eine
Optimierung der Gewichte oder um eine Optimierung der Topologie
handeln. Ist besonders dann vorteilhaft, wenn nicht für jede
einzelne Aktion des Netzes eine Bewertung verfügbar ist,
also z.B. beim Reinforcement Learning.
LV: Case Studies SOMA,
BA-/MA-/Diplomarbeiten
Externe
Links: http://nn.cs.utexas.edu/pages/research/neuroevolution.html.
|
|
Random
Forest
|
Random
Forest ist ein Lernverfahren des Data Mining. Es werden
viele Entscheidungsbäume parallel mit leicht unterschiedlichen
Teilmengen der Daten trainiert. Die Bäume gemeinsam geben dann
einen Mehrheitsentscheid ab. Diese Entscheidung des "Waldes"
ist oftmals wesentlich besser als die Entscheidung eines Einzelverfahrens.
LV: WPF DMC
|
|
Slow
Feature Analysis (SFA)
|
SFA
ist ein Analyseverfahren aus der Neuroinformatik (Laurenz Wiskott,
Ruhr-Uni Bochum). Ziel der SFA ist es, in einem mehrdimensionalen
Zeitsignal solche Kombinationen oder "Konzepte" zu suchen,
die langsam veränderlich sind. Anschauliches Bild: Das Zebra,
das sich kohärent vor der Retina bewegt, bewirkt in jeder
Retinazelle ein schnell veränderliches Signal, da die Zelle
in jedem Moment eine andere Lichtintensität empfängt.
Das Konzept "Zebra ist da und bewegt sich nach rechts oben"
ist ein vergleichsweise langsames Signal und kann mit SFA gefunden
werden. Anwendungen: langsame Drift, Driving Force oder Umschaltvorgänge
in nichtstationären Prozessen.
LV: Case Studies SOMA,
BA-/MA-/Diplomarbeiten
|
|
Support
Vector Machine (SVM)
|
SVM
ist ein Lernverfahren des Data Mining. Es wird
hauptsächlich für robuste Klassifikation angewendet.
Die Klassifikation ist robust, weil die Trennfläche so positioniert
wird, dass sie einen möglichst großen Abstand zu den
Trainingspunkten hat. Dadurch ist es manchmal möglich, auch
in hochdimensionalen Datenräumen mit vergleichsweise wenigen
Trainingsrecords einen guten Klassifikator zu bauen. Dies ist
besonders vorteilhaft für Text Mining, denn dort ist die Anzahl der Dimensionen (=Größe
des Vokabulars) oft sehr hoch.
LV: Case Studies SOMA,
BA-/MA-/Diplomarbeiten
|
|
Text
Mining
|
Text
Mining bezeichnet die automatisierte Erschliessung von Informationen
aus frei formatierten Texten. Eine Standardaufgabe des Text Mining
ist die Klassifikation (Anwendungsgebiete: Information Management,
Klassifikation von E-Mails)
LV: WPF DMC
|
|
Warping
|
geometrische
Transformation eines Bildes: Jedes Pixel bekommt einen Grauwert
aus einer Quellregion zugewiesen, die eine (meist stetige) Funktion
des Pixelortes ist. (Man stelle sich vor, das Bild sei auf einer
beliebig dehnbaren Gummihaut gemalt).
LV: WPF BV
|
|
Reinforcement
Learning (RL)
|
RL
ist ein Ansatz des Maschinellen Lernens zur Lösung von Optimalsteuerungsproblemen.
Das Ziel besteht darin, eine Aktionsauswahlregel (Policy) zu finden,
die einen Agenten optimal innerhalb einer vorgegebenen Umgebung
steuert. Der Agent erhält dabei oft nur nach einer gewissen Anzahl
von Schritten ein Feedback (z.B. eine Belohnung). Berühmtes Anwendungsbeispiel
ist TD-Gammon, ein von G. Tesauro entwickelter Agent, der durch RL gelernt
hat, das Spiel Backgammon auf Weltklasseniveau zu spielen
LV: Case Studies SOMA,
BA-/MA-/Diplomarbeiten
|
|
|
|
|
(... wird fortgesetzt
...)
|
|
