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