G06V 10/764

Definition

Diese Klassifikationsstelle umfasst:

Klassifizierung von Bildern oder Videos, um die Kategorie oder die Gruppe von Kategorien (Klassen) zu ermitteln, zu denen eine neue Beobachtung gehört, und zwar auf der Grundlage eines Trainingsdatensatzes, der Beobachtungen (oder Instanzen) enthält, deren Kategoriezugehörigkeit bekannt ist.

Neuheitserkennung (z.B. Klassifizierung von “ungesehenen” Beobachtungen), Erkennung von Anomalien oder Ausreißern.

Anmerkungen – technischer Hintergrund

Diese Anmerkungen liefern weitere Informationen über die technischen Sachverhalte, die in diese Stelle klassifiziert werden:

Einzelne Beobachtungen können in eine Reihe quantifizierbarer Eigenschaften aufgelöst werden, die als erklärende Variablen oder Merkmale bezeichnet werden. Diese Eigenschaften können Kategorien, Ordnungszahlen, ganzzahlige Werte, reelle Werte usw. sein. Andere Klassifikatoren führen eine Klassenzuordnung durch, indem sie aktuelle Beobachtungen mit früheren Beobachtungen anhand einer Ähnlichkeits- oder Abstandsfunktion vergleichen.

Ein Klassifikator kann parametrisch oder nicht-parametrisch sein, je nachdem, welches Modell für die Beobachtungen verwendet wird.

Zu den Klassifizierungsalgorithmen gehören solche, die:

Im Hinblick auf die Entscheidungsfläche kann der Klassifikator ein linearer Klassifikator oder ein nichtlinearer Klassifikator sein. Lineare Klassifikatoren modellieren die Grenzen zwischen verschiedenen Klassen im Merkmalsraum als Hyperebenen. Nichtlineare Klassifikatoren verwenden stattdessen z.B. quadratische, polynomiale oder hyperbolische Funktionen.

Beispiele

Bildreferenz:G06V0010764000_0


Bildreferenz:G06V0010764000_1



Ein linearer Support-Vektor-Maschinen-Klassifikator, der versucht, eine lineare Grenze zwischen zwei Klassen (205, 210) von Merkmalsvektoren zu definieren, die von Bildern stammen, die “Personen” und “Nicht-Personen” enthalten, um sie so in zwei verschiedene Klassen zu trennen.

Bildreferenz:G06V0010764000_2



Ein Entscheidungsbaum zur Klassifizierung von Objekten in Bilddaten unter Verwendung einer effizienten Hardware-Implementierung mit FIFO-Puffern.

Querverweise

Informative Querverweise

Mustererkennung oder maschinelles Lernen, mittels Clustering
G06V 10/762
Mustererkennung oder maschinelles Lernen, mittels Regression
G06V 10/766
Mustererkennung oder maschinelles Lernen, Verarbeitung von Bildmerkmalen in Merkmalsräumen
G06V 10/77
Mustererkennung oder maschinelles Lernen, Fusion
G06V 10/80
Wiederauffinden von Informationen bei Einzelbildern; Clusteranalyse; Klassifizierung
G06F 16/55
Wiederauffinden von Informationen bei Videodaten; Clusteranalyse; Klassifizierung
G06F 16/75
Bildanalyse; Segmentierung; Kantenerkennung
G06T 7/10

Glossar

C4.5

ein Klassifizierungsalgorithmus unter Verwendung eines Entscheidungsbaums [Decision Tree].

CART

Classification and Regression Tree.

FAR

Falschakzeptanzrate [False Acceptance Rate].

FRR

Falschrückweisungsrate [False Rejection Rate].

Gini impurity

ein Maß dafür, wie oft ein zufällig ausgewähltes Element aus der Menge falsch gelabelt würde, wenn es gemäß der Verteilung der Labels in der Teilmenge zufällig gelabelt würde; wird normalerweise auf der Ebene der Knoten von baumbasierten Klassifikatoren verwendet.

ID3

Iterative Dichotomiser 3, ein Vorläufer von C4.5.

ROC

Grenzwertoptimierungskurve [Receiver Operating Characteristic].