Module Import 04CV2005 - Pattern Recognition

Status: Published
Workload6 ECTS = 180 hrs
Credits, Weight6 ECTS, (n.s.)
Language of Instruction English
Semester (n.s.)
Duration1 Sem.
M/E Elective
Courses
Course No. Type Name MA/EL Workload Credits Contact Hours Selfstudy Group Size
04CV2005-1 Lecture Pattern Recognition (n.s.) 4.5 ECTS = 135 hrs - 3 hrs/week = 45 hrs 90 hrs (n.s.)
04CV2005-2 Exercise Pattern Recognition (n.s.) 1.5 ECTS = 45 hrs - 1 hrs/week = 15 hrs 30 hrs (n.s.)
Learning Outcomes

Nach erfolgreichem Abschluss der Lehrveranstaltung werden die Studierenden in der Lage sein, ein Mustererkennungssystem für eine bestimmte Problemstellung vollständig zu konzipieren, so dass die Optimierung seine Bestandteile noch vor der Entwicklung (anhand von theoretischer Expertise) erfolgt.

Content

(not specified)

04CV2005-1 - Pattern Recognition

Die Lehrveranstaltung vermittelt aktuelle Algorithmen und Verfahren zur automatischen, computerbasierten Mustererkennung. Mustererkennung ist die Fähigkeit, in einer Menge von Daten Regelmäßigkeiten, Wiederholungen, Ähnlichkeiten oder Gesetzmäßigkeiten zu erkennen. Typische Beispiele für die zahllosen Anwendungsgebiete sind Spracherkennung, Texterkennung, Gesichtserkennung, oder die automatische Mülltrennung anhand spektrometrischer Aufnahmen. Dabei wird bewusst von der Art des zu interpretierenden Signals abstrahiert, um allgemeine Methoden zu vermitteln, die sowohl für Bilder als auch für Audio, Sprache, oder aber auch andere Signalarten eingesetzt werden können. Die Inhalte sind in zwei Kategorien unterteilt. Während im ersten Teil der Lehrveranstaltung die sog. Überwachten Algorithmen gezeigt werden, beschäftigt sich der zweite Teil mit den unüberwachten Methoden. Bei der überwachten Strategie erfolgt das Lernen anhand von bekannten und manuell kategorisierten Traininsbeispielen. Die unüberwachten Methoden erkennen die Regelmäßigkeiten in den Daten ohne dieses Vorwissen. Folgende Themen zu der überwachten Strategie werden in der Lehrveranstaltung vermittelt: Bayes Classifiers, Linear Classifiers, Nonlinear Classifiers, Feature Selection, Feature Generation, Template-Matching, Context-Dependent Classification. Bei den unüberwachten Methoden werden ausgewählte Clustering-Algorithmen gezeigt: Sequential Algorithms, Hierarchical Algorithms, Schemes Based on Function Optimisation.

Teaching Methods

(not specified)

Prerequisites

(not specified)

Examination Methods

Klausur

Credit Requirements

(not specified)

References

(not specified)

04CV2005-1 - Pattern Recognition

H. Niemann: Klassifikation von Mustern. Springer, 1983

K. Fukunaga: Statistical Pattern Recognition. Academic Press, 1991

M. Pavel: Fundamentals of Pattern Recognition. Dekker, 1993

J. Schuermann: Pattern Classification – A Unified View of Statistical and Neural Approaches. Wiley, 1996

R. O. Duda, P. E. Hart, D. G. Stork: Pattern Classification. Wiley, 2001

A. R. Webb: Statistical Pattern Recognition, Second Edition, John Wiley and Sons Ltd.,2002

C. M. Bishop: Pattern Recognition and Machine Learning. Springer, 2006

M. Grzegorzek: Appearance-Based Statistical Object Recognition Including Color and Context Modeling, Logos, 2007

S. Theodoridis and K. Koutroumbas: Pattern Recognition, Fourth Edition, Academic Press, 2008

Responsible / Organizational Unit
Paulus, Dietrich / Institute for Computational Visualistics
Additional Information

(not specified)

04CV2005-1 - Pattern Recognition

PDF-Folien, Tafel, Live-Demos

Last change
Apr 24, 2018 by Frey, Johannes
Last Change Module
May 3, 2012 by Frey, Johannes