Bildverstehen II an der TU München

Karteikarten und Zusammenfassungen für Bildverstehen II an der TU München

Arrow Arrow

Komplett kostenfrei

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

Lerne jetzt mit Karteikarten und Zusammenfassungen für den Kurs Bildverstehen II an der TU München.

Beispielhafte Karteikarten für Bildverstehen II an der TU München auf StudySmarter:

Was ist die Funktion eines Klassifikators?

Beispielhafte Karteikarten für Bildverstehen II an der TU München auf StudySmarter:

Wodurch werden Muster beschrieben?

Beispielhafte Karteikarten für Bildverstehen II an der TU München auf StudySmarter:

Wei kann ein Klassifikator konzeptuell beschrieben werden?

Beispielhafte Karteikarten für Bildverstehen II an der TU München auf StudySmarter:

Was ist das grundlegende Prinzip der Entscheidungstheorie?

Beispielhafte Karteikarten für Bildverstehen II an der TU München auf StudySmarter:

Welche zwei großen Gruppen von Klassifikatoren können unterschieden werden?

Beispielhafte Karteikarten für Bildverstehen II an der TU München auf StudySmarter:

Welche verschiedenen Datensätze sind zum Training von Klassifikatoren notwendig? Welche Anforderungen an die Datensätze besteht?

Beispielhafte Karteikarten für Bildverstehen II an der TU München auf StudySmarter:

Was kann unternommen werden um den Curse of dimensionality zu besiegen?

Beispielhafte Karteikarten für Bildverstehen II an der TU München auf StudySmarter:

Welches Problem hat die grundlegende Bayes-Entscheidungsregel?

Beispielhafte Karteikarten für Bildverstehen II an der TU München auf StudySmarter:

Was ist das Prinzip der Bayes-Klassifikation mit Zurückweisung? Welche Funktion hat sie?

Beispielhafte Karteikarten für Bildverstehen II an der TU München auf StudySmarter:

Was sind Mischmodelle? Wann kommen diese zum Einsatz?

Beispielhafte Karteikarten für Bildverstehen II an der TU München auf StudySmarter:

Welcher Algorithmus wird zum Training von MM's (Mixture Models) verwendet? Was sind seine Eigenschaften?

Beispielhafte Karteikarten für Bildverstehen II an der TU München auf StudySmarter:

Wozu dient der k-means-Algorithmus?

Kommilitonen im Kurs Bildverstehen II an der TU München. erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp. Jetzt mitmachen!

Jetzt mitmachen!

Flashcard Flashcard

Beispielhafte Karteikarten für Bildverstehen II an der TU München auf StudySmarter:

Bildverstehen II

Was ist die Funktion eines Klassifikators?
Zuordnung eines Musters zu Klasse von Mustern

Bildverstehen II

Wodurch werden Muster beschrieben?
Merkmale, zusammengefasst in Merkmalsvektor. Ein Merkmal beschreibt eine charakteristische Eigenschaft des Musters (Bsp.: RGB-Farbwerte, Regionenmerkmale, Grauwertmerkmale)

Bildverstehen II

Wei kann ein Klassifikator konzeptuell beschrieben werden?
Abbildung aus Merkmalsraum in die diskrete Menge der Klassen

Bildverstehen II

Was ist das grundlegende Prinzip der Entscheidungstheorie?
Der Merkmalsvektor wird als Zufallsvariable im Merkmalsraum aufgefasst und derjenigen Klasse zugeordnet, für die die a-posteriori-Wahrscheinlichkeit maximiert wird. (Bayes-Entscheidunsregel, liefert besten Klassifikator)

Bildverstehen II

Welche zwei großen Gruppen von Klassifikatoren können unterschieden werden?
1. Klassifikatoren, die a-posteriori-Wahrscheinlichkeitsverteilungen (oder über Bayes-Regel a-priori-Verteilungen) der einzelnen Klassen konstruieren 2. Klassifikatoren, die explizite Trennflächen zwischen den einzelnen Klassen konstruieren.

Bildverstehen II

Welche verschiedenen Datensätze sind zum Training von Klassifikatoren notwendig? Welche Anforderungen an die Datensätze besteht?
1. Trainingsdatensatz: dient zur Bestimmung der Parameter des Klassifikators, indem Fehlerrate auf Trainingsdaten minimiert wird. 2. Validierungsdatensatz: Dient dazu, Hyperparameter festzulegen indem Fehlerrate bei Variation der Hyperparameter auf Validierungsdatensatz minimiert wird. Für jede Kombination üblicherweise Training auf Trainingsdaten und Bestimmung der Fehlerrate auf Validierungssatz. 3. Testdatensatz: Bestimmung der Güte der Generalisierungseigenschaften des Klassifikators (Fehlerrate auf unbekannten Daten). Alle drei Datensätze müssen disjunkt sein.

Bildverstehen II

Was kann unternommen werden um den Curse of dimensionality zu besiegen?
Annahme der Form der Verteilung möglich, z.B. Normalverteilung. Dann müssen nur noch Parameter der Verteilung geschätzt werden (z.B. MLE).

Bildverstehen II

Welches Problem hat die grundlegende Bayes-Entscheidungsregel?
Sie weißt jedem Merkmalsvektor eine Klasse zu, selbst wenn diese äußerst unwahrscheinlich sind.

Bildverstehen II

Was ist das Prinzip der Bayes-Klassifikation mit Zurückweisung? Welche Funktion hat sie?
Unwahrscheinliche Merkmalsvektoren können zuürückgewiesen werden. Berechnung der k-sigma-Wahrscheinlichkeit (bezieht sich auf quadrierten Mahalanobis.Abstand des Merkmalsvektors zum Mittelwert der Klasse; Wahrscheinlichkeit das Merkmalsvektor außerhalb k-sigma-Ellipsoids um Mittelwert liegt) Rückweisung dient zur Neuheitserkennung.

Bildverstehen II

Was sind Mischmodelle? Wann kommen diese zum Einsatz?
In einigen Anwendungen kann es vorkommen, dass die Wahrscheinlichkeitsverteilung der Klassen nicht als einzige Normalverteilung beschrieben werden kann, oft aber als Linearkombination mehrerer Dichtefunktionen. Diese gemischten Wahrscheinlichkeitserteilungen werden Mischmodelle genannt (MM).

Bildverstehen II

Welcher Algorithmus wird zum Training von MM's (Mixture Models) verwendet? Was sind seine Eigenschaften?
Expectation-Maximization-Algorithmus (EM-Algorithmus): Interaktiver Algorithmus zur Bestimmung der Gewichtungen, Mittelwerte und Kovarianzmatrizen der einzelnen Verteilungen bis Parameter konvergieren.

Bildverstehen II

Wozu dient der k-means-Algorithmus?
Verfahren zur Clusteranalyse (Aufteilung eines Datensatzes in k Gruppen/Cluster).

Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für Bildverstehen II an der TU München zu sehen

Singup Image Singup Image
Wave

Andere Kurse aus deinem Studiengang

Für deinen Studiengang Bildverstehen II an der TU München gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur TU München Übersichtsseite

Was ist StudySmarter?

Was ist StudySmarter?

StudySmarter ist eine intelligente Lernapp für Studenten. Mit StudySmarter kannst du dir effizient und spielerisch Karteikarten, Zusammenfassungen, Mind-Maps, Lernpläne und mehr erstellen. Erstelle deine eigenen Karteikarten z.B. für Bildverstehen II an der TU München oder greife auf tausende Lernmaterialien deiner Kommilitonen zu. Egal, ob an deiner Uni oder an anderen Universitäten. Hunderttausende Studierende bereiten sich mit StudySmarter effizient auf ihre Klausuren vor. Erhältlich auf Web, Android & iOS. Komplett kostenfrei. Keine Haken.

Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards
Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards

So funktioniert's

Top-Image

Individueller Lernplan

StudySmarter erstellt dir einen individuellen Lernplan, abgestimmt auf deinen Lerntyp.

Top-Image

Erstelle Karteikarten

Erstelle dir Karteikarten mit Hilfe der Screenshot-, und Markierfunktion, direkt aus deinen Inhalten.

Top-Image

Erstelle Zusammenfassungen

Markiere die wichtigsten Passagen in deinen Dokumenten und bekomme deine Zusammenfassung.

Top-Image

Lerne alleine oder im Team

StudySmarter findet deine Lerngruppe automatisch. Teile deine Lerninhalte mit Freunden und erhalte Antworten auf deine Fragen.

Top-Image

Statistiken und Feedback

Behalte immer den Überblick über deinen Lernfortschritt. StudySmarter führt dich zur Traumnote.

1

Lernplan

2

Karteikarten

3

Zusammenfassungen

4

Teamwork

5

Feedback