W I L L K O M M E N
Universität Freiburg - Institut für Informatik
Lehrstuhl für Mustererkennung und Bildverarbeitung (LMB)
[-]LMB
   [+]Mitarbeiter
   [+]Forschung
   [+]Studien-, Diplom- und Bachelor...
   [-]Lehrveranstaltungen
    |  |-Überblick über die L...
    |  |-Vertiefungsblock
    |  | Vorlesungen:
    |  |-Kursvorlesung Mustererkennung
    |  | Vorlesungen:
    |  |-Dig. Bildverarbeitung I
    |  |-Dig. Bildverarbeitung II
    |  |-Dig. Sig. u. Bildver. in APL
    |  |-Computer Vision
    |  |-Computer Vision II
    |  | Seminare:
    |  |-Image Processing Toolbox SS08
    |  |-Bildsegmentierung
    |  |-Image Processing Toolbox
    |  |-Laserscanner, 3D Rekons... 
    |  |-Biometrie, Fingerabdruck, ...
    |  |-Inhaltsbasierte Bildsuche
    |  |-Tomographie
    |  |-Mustererkennung mit SVM
    |  |-Oberseminar Bildver., ...
    |  | Praktika:
    | [+]Bildverarbeitungspraktikum I
    | [+]Bildverarbeitungspraktikum II
    |-Veranstaltungen
    |-Publikationen
   [+]Awards ()
   [+]Stellenangebote
    |-TILDA
   [+]Software ()
   [+]Interna


 Diese Seite optimiert für Ausdruck

[No english page available]
 

Mustererkennung mit

Support-Vektor-Maschinen (SVM)

WS 02/03 (4 SWS)



Der Lehrstuhl für Mustererkennung und Bildverarbeitung bietet im WS 02/03 ein Seminar mit dem Thema "Mustererkennung mit Support-Vektor-Maschinen (SVM)" an.

Ziele: Die Teilnehmer des Seminars bekommen einen Einblick in einen hochaktuellen Bereich der Mustererkennung. Neben Vorträgen, die eher theoretische Ansätze darstellen, soll die leichte Umsetzbarkeit durch eigene Implementation bestätigt werden. Am Ende werden die Teilnehmer ein konkretes vorzeigbares Ergebnis in Form eines 'Buchstabenerkenners' oder 'Pollenklassifikators' mitnehmen.
Das Seminar kann eine fundierte Grundlage für eventuelle spätere Studien- oder Diplomarbeiten auf diesem Gebiet bilden.
 
 

Inhalt: Eine grundlegende 'intelligente' Fähigkeit ist das Klassifizieren von Beobachtungen, das das menschliche Handeln ununterbrochen leitet. Mit zunehmender Automatisierung von Abläufen steigt damit auch der Bedarf an Algorithmen zur maschinellen Klassifikation verschiedenster Daten. Diese Notwendigkeit wird angesichts der immensen Datenmengen mit denen man heutzutage konfrontiert wird (Internet, rechnergestützte Meßdatengewinnung) noch dringlicher.

Für dieses Problem des Klassifikatorentwurfs gibt es verschiedenste Ansätze wie neuronale Netze, k-nächste Nachbarn Klassifikatoren etc. [1]. In den letzten 6 Jahren hat sich ein neuer Ansatz zum 'state-of-the-art' entwickelt, die sogenannten Support-Vektor-Maschinen (SVM). Sie sind aus diversen Gründen ein heißes Eisen: Sie haben eine schöne motivierende Anschauung, sind theoretisch fundiert, sind sehr leicht handhabbar im Gegensatz zu neuronalen Netzen, es existieren schnelle Lernalgorithmen und schließlich zeigen sie überragende experimentelle Ergebnisse [2, 3, 4].
 

Termine:

  • Zeit: Fr. 14:30-16:00.
  • Ort: Geb. 101, Raum 01-018.
  • Vorbesprechung:  Mo. 28.10.2002, 13:15, Geb. 52, Raum 02-005.
Ablauf: An den ersten beiden regulären Terminen finden einleitende Vorträge statt. Die darauffolgenden Termine sind für 45-minütige Vorträge der Teilnehmer vorgesehen. Um die Thematik nicht nur auf theoretischen Inhalt zu beschränken, soll die leichte Anwendbarkeit und Praxisrelevanz aller im Seminar vermittelten Aspekte von den Teilnehmern 'erfahren' werden. Die Teilnehmer sollen hierzu in einem "Wettbewerb" jeweils eine Lösung des selben konkreten Mustererkennungsproblems implementieren. Auf eine schriftliche Ausarbeitung wird verzichtet.
An dem letzten Termin des Semesters werden die verschiedenen Implementationen kurz vorgestellt und nach Erkennungsleistung bewertet.

Themen:

  • 8.11.2002: Bernard Haasdonk: Klassifikatorentwurf
  • 15.11.2002: Bernard Haasdonk: Einführung in SVM (pdf)
  • 22.11.2002: --
  • 29.11.2002: --
  • 6.12.2002: Janis Fehr: Modell-Selektion (pdf, tscc-avi)
  • 12.12.2002: --
  • 20.12.2002: Hinweise zu den Programmieraufgaben
  • 10. 1.2003: --
  • 17. 1.2003: Magnus Herold: Statistische Lerntheorie (pdf, tscc-avi)
  • 24. 1.2003: Bhaskara Reddy Poluru: Boosting (pdf )
    + Andreas Werber: Kerndesign für Vektorraumdaten (pdf)
  • 31. 1.2003: --
  • 7. 2.2003: Jingtao Wang: Kerndesign für Nichtvektorraumdaten (pdf)
    + Lukas Molzberger: Multiklassen-SVM (pdf)
    + Thorsten Schmidt: Quadratische Programmierung (pdf, tscc-avi)
  • 14. 2.2003: Alle Teilnehmer: Abschlussveranstaltung

Wettbewerbe

Adressaten: Studenten der Informatik, Mathematik, Physik, Mikrosystemtechnik oder Biologie.

Allgemeine Literatur: (themenspezifische Literaturangaben erfolgen bei der Vorbesprechung)

  • [1] S. Theodoridis, K. Koutroumbas: Pattern Recognition, Academic Press, 1999.
  • [2] N. Cristianini, J. Shawe-Taylor: An Introduction to Support Vector Machines and Other Kernel-based Learning Methods, Cambridge University Press, 2000.
  • [3] V. Vapnik: The Nature of Statistical Learning Theory, Springer-Verlag New York, 1995.
  • [4] B. Schölkopf, A. Smola: Learning With Kernels, MIT-Press Cambridge, 2002.
Links: Betreuer: Bernard Haasdonk
Email: haasdonk@informatik.uni-freiburg.de
WWW: www.informatik.uni-freiburg.de/~lmb/
Telefon: 203 8274 oder -8260 (Sekr.)

Zurück zu den Lehrveranstaltungen
Albert-Ludwigs-Universität Freiburg, Institut für Informatik, Lehrstuhl für Mustererkennung und Bildverarbeitung,
Bernard Haasdonk

Zuletzt aktualisiert am 4. Nov. 2002, 11:00h