Objekterkennung und Bayes

Question 1

Erklären Sie die Begriffe: Prior, Likelihood, Posterior und setzen sie ggf. mit Hilfe einer Formel in Zusammenhang.

Answer 1

Prior: P(Ck), wahrscheinlichkeit, auf Klasse Ck
Likelihood: P(x|Ck) Wahrscheinlichkeit, dass Klasse Ck Merkmal x aufweist.
Posterior: P(Ck|x) = P(x|Ck)P(Ck) / P(x) Wahrscheinlichkeit, dass es sich bei Merkmal x um Klasse Ck handelt

Question 2

Lochkamera

Answer 2

virtual Image (Bild richtig rum) -> pinhole -> image plane (Bild Kopfüber)

Question 3

computer vision

Answer 3

das Problem der
„umgekehrten Grafik“

Question 4

Sind die Maximum-Likelihood Entscheidungsgrenzen und Maximum-APosteriori Entscheidungsgrenzen immer unterschiedlich? Begründen SieIhre Aussage.

Answer 4

Nein, sie können auch gleich sein, nämlich wenn alle Klassen a priori gleich wahrscheinlich sind

Question 5

Erklären Sie was der „Sliding Window Approach“ ist und wie dieser
funktioniert.

Answer 5

Der „Sliding Window Approach“ ist eine Suchstrategie für die Objekterkennung. Dieser funktioniert so:
1. Das Eingabebild wird in Ein-Pixel-Schritten horizontal und vertikal gescannt.
2. Das Bild wird um einen Faktor (z.B 1,2) verkleinert
3. Wiederholung von 1. und 2. bis das Bild zu klein ist

Question 6

Nennen Sie die zwei Arten von Trainingsdaten die für den „Sliding
Windows Approach“ benötigt werden und geben Sie jeweils ein Beispiel dazu.

Answer 6

Es gibt zwei Arten von Trainingsdaten:
1. Positive Trainingsdaten (Die Bilder wo man Gesichter erkennen kann.)
2. Negative Trainingsdaten (Die Bilder wo keine Gesichter vorhanden sind.)

Question 7

Objekterkennung

Answer 7

Wichtige Komponenten der Beschreibung
* lokale Beschreibung / Merkmale
z.B. Augen, Mund, Nase
* globale Anordnung/ Konstellation der lokalen Merkmale
z.B. relative Positionen, relative Grösse

Question 8

Konfluenz

Answer 8

Wo Vision und Graphics zusammenfließen

Question 9

Bildaufbau (Pictorial Structure)

Answer 9

Das Modell hat zwei
Komponenten:
* Teile (parts)(2D Bildfragmente)
* Aufbau (structure)(Anordnung der Teile)

Deformation, Clutter (Durcheinander)

Question 10

Bayes Decision Theor

Answer 10

3 Konzepte:
* a priori Wahrscheinlichkeit (Anfangswahrscheinlichkeit, prior probability)
* bedingte Wahrscheinlichkeit (Conditional probability)
* a posteriori Wahrscheinlichkeit (posterior probability)

Question 11

Konzept: Priors