Erkennung

Question 1

Unterschied Computer Vision und Computergrafik

Answer 1

• Computer Vision: Wie erkennt man aus dem digitalen Bild das Objekt?
• Computergrafik: Wie stelle ich das Objekt digital dar?

Question 2

Bayes Decision Theory Konzepte

Answer 2

• a priori Wahrscheinlichkeit
• bedingte Wahrscheinlichkeit
• a posteriori Wahrscheinlichkeit

Question 3

Appearance-Based Methods zur Gesichtsdetektion/Objekterkennung

Answer 3

• Prinzip:
  -> Erscheinungsmodell aus großen Sammlungen von Bildern lernen
  -> am Häufigsten Sliding Window Ansatz
  -> Jedes Fenster als “Gesicht” oder “kein Gesicht” klassifizieren
• 3 Aspekte:
  -> Repräsentation des Objektes
  -> Trainingsdaten (positive und negative)
  -> Klassifikator und Lernmethode

Question 4

Sliding Window Approach

Answer 4

• Suchstrategie für Objekterkennung
• Eingabebild wird in Ein-Pixel-Schritten horizontal und vertikal gescannt
• Das Bild wird um einen Faktor verkleinert
• Wiederholung von 1. und 2. bis das Bild zu klein ist

Question 5

Erkennungsarten

Answer 5

• Verifikation
  -> Analyse der biometrischen Merkmale und Überprüfung, ob diese zum Referenzmerkmalsdatensatz gehören
• Identifikation
  -> Abgleich mit Personen in Datenbank

Question 6

Bayes Decision Theory Konzepte: A priori Wahrscheinlichkeit

Answer 6

Gibt eine merkmalsunabhängige Auftrittswahrscheinlichkeit der Klasse Ci

Question 7

Bayes Decision Theory Konzepte: Bedingte/Likelihood-Wahrscheinlichkeit

Answer 7

Gibt die Wahrscheinlichkeit, dass bei der Klasse Ci das Merkmal x beobachtbar ist

Question 8

Bayes Decision Theory Konzepte: A Posteriori Wahrscheinlichkeit

Answer 8

Gibt die Wahrscheinlichkeit, dass ein Merkmal x zur Klasse Ci gehört

Question 9

Objekterkennung Wichtige Komponenten der Beschreibung

Answer 9

• lokale Beschreibung / Merkmale
• globale Anordnung der lokalen Merkmale

Question 10

Entscheidungsgrenze Bayes Decision Theory

Answer 10

Dort wo:
p(x|a) = p(x|b)
p(x|a)P(a) = p(x|b)P(b)
p(a|x) = p(b|x)

Question 11

Bayes Theorem (Formel a posteriori Wahrscheinlichkeit)

Answer 11

P(x|Ck)*P(Ck) / P(x)

Question 12

Bayes Entscheidungsregel

Answer 12

P(C1|x) > P(C2|x)
ist äquivalent zu
P(x|C1)P(C1) > P(x|C2)P(C2)
das ist äquivalent zu Likelihood Ratio Test
P(x|C1)/P(C2) > P(C2) > P(C1) = lamda

Question 13

Naive Bayes

Answer 13

• Untersuchung bei mehr Merkmalen
• Annahme, dass alle Merkmale statistisch unabhängig sind
  -> oft nicht richtig, ergibt aber gute Ergebnisse