G06V 10/764

Definition

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:

• auf dem Abstand zwischen einer Entscheidungsfläche und Trainingsmustern basieren, z.B. Support-Vektor-Maschinen [ SVM];
• auf dem Abstand zwischen dem zu erkennenden Muster und einer Referenz basieren, wobei die Referenz ein Prototyp, ein Schwerpunkt von Stichproben derselben Klasse oder die nächstgelegenen Muster derselben Klasse oder verschiedener Klassen sein kann, z.B. Nearest-Neighbour- Klassifizierung;
• auf einem parametrischen, probabilistischen Modell basieren, wobei das Modell das Neyman-Pearson-Lemma, Likelihood-Ratios, Grenzwertoptimierungskurven [Receiver Operating Characteristic, ROC], die Darstellung der Falschakzeptanzrate [False Acceptance Rate, FAR] gegenüber der Falschrückweisungsrate [False Rejection Rate, FRR], Bayessche Klassifikation usw. verwendet;
• auf einem graph- oder baumartigen Modell basieren, z.B. Entscheidungsbaum [decision tree], Random Forest usw. Beispiele hierfür sind Classification and Regression Tree [ CART], ID3 [Iterative Dichotomiser 3], C4.5, usw.

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.

Querverweise

Informative Querverweise

Glossar