Mustererkennung

Modulnummer
PI5012
Modulverantwortliche
Klaus Rinn
Dozenten
Klaus Rinn
Kurzbeschreibung

Hough-Transformationen und RANSAC, statistische Entscheidungstheorie, Fourier-Deskriptoren Klassifikatoren und Lernstrategien, neuronale Netze, Support-Vector-Machines, Sequenzanalyse, Hidden Markov Modelle.

Qualifikations- und Lernziele

Die Teilnehmenden haben vertiefte Kenntnisse von fortgeschrittenen Algorithmen zur Mustererkennung. Sie können diese auswählen und für Anwendungen adaptieren. Dazu liegen praktische Erfahrungen vor, mit Schwerpunkt auf Mustererkennung in Bildern.

Lerninhalte
  • Motivation und Anwendungen, Houghtransformationen und Ransac
  • Vertiefung der statistische Entscheidungstheorie:
  • Fourier- und andere Deskriptoren
  • Klassifikatoren, Lernstrategien
  • Neuronale Netze
  • Support-Vector-Machines
  • Sequenzanalyse
  • Hidden-Markov-Modelle
Moduldauer (Semester)
1
Unterrichtssprache
Deutsch
Gesamtaufwand
6 CrP; 180 Stunden, davon etwa 60 Stunden Präsenzzeit.
Semesterwochenstunden
4
Lernformen

Seminaristischer Unterricht 4 SWS

Geprüfte Leistung

Prüfungsvorleistung: 2 anerkannte Hausübungen Prüfungsleistung: Klausur

Bewertungsstandard

Bewertung der Prüfungsleistung nach § 9 der Prüfungsordnung (Teil l)

Häufigkeit des Angebots
Einmal im Jahr
Literatur
  • Vorlesungsfolien
  • Duda, Hart, Stock: Pattern Classification, Wiley
  • Niemann: Pattern Analysis and Understanding, Springer
  • Jähne: Digitale Bildverarbeitung, Springer
  • Abe: Support Vector Machines for Pattern Classification, Springer
Voraussetzungen

II2002 Bildverarbeitung und Einführung in die Mustererkennung