Vorlesung Digitale Bildverarbeitung Sommersemester 2015

Präsentation zum Thema: "Vorlesung Digitale Bildverarbeitung Sommersemester 2015"—  Präsentation transkript:

1 Vorlesung Digitale Bildverarbeitung Sommersemester 2015
Sebastian Houben Folien zu Teilen von Dr. Susanne Winter Institut für Neuroinformatik

2 Evaluation 100% Studierende der AI
100% haben das Ziell, die Prüfung abzulegen Zeitaufwand für Nachbereitung: 1 – 3 Stunden ok, mehr eher nicht 91% halten Stoffmenge und Tempo für angemessen 84% wurden die Themenzusammenhänge deutlich 82% erkennen den Praxisbezug > 85% bei Vortragsstil, Fragen, Lernatmosphäre, Medieneinsatz 50% fanden das Niveau der Übungen zu hoch 0% fanden das Thema der Übungen für die Vorlesung „selten hilfreich“

3 Evaluation 100% Studierende der AI
100% haben das Ziell, die Prüfung abzulegen Zeitaufwand für Nachbereitung: 1 – 3 Stunden ok, mehr eher nicht 91% halten Stoffmenge und Tempo für angemessen 84% wurden die Themenzusammenhänge deutlich 82% erkennen den Praxisbezug > 85% bei Vortragsstil, Fragen, Lernatmosphäre, Medieneinsatz 69% halten die Folien für verständlich 47% fanden die Folien „teilweise hilfreich“ Bei 28% war das vorausgesetzte Wissen nicht vorhanden

4 Evaluation Durchschnittliche Gesamtnote: 2,2 (1 – 5)
50 % bewerten die Qualität im oberen, 50 % im mittleren Drittel Konkret angesprochen: Folien z.T. schwer verständlich, zu wenig Erklärungen Matlab Fragen (vom Dozenten) zu leicht / überflüssig Hough-Transformation intensiver behandeln Ideen zur Verbesserung: Überarbeitung der Folien Umfangreichers Matlab-Tutorial Cheatsheet Mathematik Voraussetzungen deutlich kommunizieren

5 Registrierung

6 Anwendung 2: Kalibrierung einer Kamera
Ziel: Es soll die Transformation gefunden werden, mit der die Aufnahme einer beliebigen Kamera entzerrt wird Tamaki, Yamamur: „Correcting Distortion of Image by Image Registration“ (2002)

7 Anwendung 2: Kalibrierung einer Kamera – Erinnerung
dx z rmax r dy Tamaki, Yamamur: „Correcting Distortion of Image by Image Registration“ (2002)

8 Anwendung 2: Kalibrierung einer Kamera
Bei der Registrierung einer unkalibrierten Kamera wird folgendermaßen vorgegangen: Ein unverzerrtes Foto wird ausgedruckt und mit der unkalibrierten Kamera aufgenommen Dann werden die beiden Bilder miteinander registriert

9 Anwendung 2: Kalibrierung einer Kamera
Welche Transformation ist geeignet um diese Abbildung zu lösen? Projektive Abbildung Radiale Verzerrung Unterschiede in der Beleuchtung

10 Anwendung 2: Kalibrierung einer Kamera
Welches Maß ist geeignet, um die Ähnlichkeit der Bilder bei Überlagerung zu beschreiben? Abs. Grauwertdifferenz? Norm. Kreuzkorrelationskoeffizient?

11 Anwendung 2: Kalibrierung einer Kamera
Die projektive Abbildung wird durch 8 Parameter bestimmt Die radiale Verzerrung durch 5 Parameter

12 Anwendung 2: Kalibrierung einer Kamera
Als Ähnlichkeitsmaß wird die Grauwertdifferenz verwendet, wobei ein Beleuchtungsunterschied berücksichtigt wird Sechs Parameter beschreiben die Beleuchtungskorrektur

13 Anwendung 2: Kalibrierung einer Kamera
Bei der Registrierung werden gleichzeitig die Parameter der Transformation und die der Beleuchtungskorrektur optimiert. Es werden also = 19 Parameter optimiert

14 Anwendung 2: Kalibrierung einer Kamera
Das Ergebnis liefert die Transformation und die Beleuchtungskorrektur Frage ans Plenum: Warum nimmt man nicht das Bild des Gitters? (Mitte unten)

15 Registrierung Bei einem Registrierproblem müssen Sie sich Gedanken machen über: Fehlermaß / Ähnlichkeitsmaß Transformation Optimierung

16 Inhalt Crash-Course in Machine Learning Klassifikationsverfahren
Grundsätzliches K-Nearest-Neighbour-Klassifizierer (KNN) Linear Discriminant Analysis (LDA) Support Vector Machine (SVM)

17 Maschinelles Lernen: Klassifikation

18 Was ist maschinelles Lernen (Machine Learning)?
Nachbildung menschlicher Lern- und Verständnisleistungen Überwachtes Lernen (Supervised Learning) Unüberwachtes Lernen (Unsupervised Learning) Verstärkendes Lernen (Reinforcement Learning) Mischformen Vertiefende Vorlesungen Laurenz Wiskott: Machine Learning: Unsupervised Methods Tobias Glasmachers: Machine Learning: Supervised Methods Rolf Würtz: Artificial Neural Networks, Sehen in Mensch und Maschine

19 Was ist ein Klassifikator?
Regression vs. Klassifikation Regression versucht einen kontinuierlichen Wert zu erlernen (Lernen einer Funktionsvorschrift) Klassifikation versucht einen diskreten von endlich vielen Werten zu erlernen Regression kann über Einführung von Schwellen in Klassifikation umgewandelt werden Wert Klasse Klasse Bild zu Regression / Klassifikation Merkmal Merkmal Merkmal

20 Was ist ein Klassifikator?
Im Rahmen dieser Vorlesung behandeln wir nur binäre Klassifikation, Label = 0 / 1 Training (Daten, Label) Vorfahrt achten / Fahrtrichtichtung links / Gefahr Baustelle Klassifikator Gesicht / kein Gesicht Unterscheidung von n Klassen, Label = 1, ..., k Heimmannschaft / Auswärtsmannschaft / Torwart / Schiedsrichter Test (Daten, ?)

21 Was ist ein Klassifikator?
Beim Training werden an Hand von bekannten Beispielen die Parameter des Klassifikators gewählt Der Klassifikator kann selbst mit optimalen Parametern noch Fehler auf der Testmenge machen Beispiele sind falsch gelabelt Modell der Klassifkators reicht nicht aus für die Trainingsmenge Die Merkmale erlauben keine genaue Trennung Anteil der falsch klassifizierten Beispiele heißt Trainingsfehler Beim Test wird an Hand von bekannten Beispielen die Performance des Klassifkators ermittelt Anteil der falsch klassifizierten Beispiele heißt Testfehler Unterscheidung von n Klassen, Label = 1, ..., k

22 Feature-Räume Zu klassifizierende Beispiele werden durch Charakteristika (Features) beschrieben Diese lassen sich durch Punkte in einem Vektorraum abstrahieren Wir betrachten bis auf Weiteres nur binäre Klassifikation (genau zwei Klassen)

23 Ein erster Klassifikator: K-Nearest-Neighbour
Idee: Merke Dir alle Beispiele aus dem Training Gib beim Test die Klasse des Trainingsbeispiels zurück, das am nächsten zum betrachteten liegt

24 Ein erster Klassifikator: K-Nearest-Neighbour
Idee: Merke Dir alle Beispiele aus dem Training Gib beim Test die Klasse des Trainingsbeispiels zurück, das am nächsten (im Feature-Raum) zum betrachteten liegt

25 Ein erster Klassifikator: K-Nearest-Neighbour
Merke Dir alle Beispiele aus dem Training Gib beim Test die Klasse DER MEHRHEIT DER K TRAININGSBEISPIELE zurück, die am nächsten zum betrachteten liegen Rechts die nachbarn hervorheben

26 Ein erster Klassifikator: K-Nearest-Neighbour
Merke Dir alle Beispiele aus dem Training Gib beim Test die Klasse DER MEHRHEIT DER K TRAININGSBEISPIELE zurück, die am nächsten zum betrachteten liegen Rechts die nachbarn hervorheben

27 Datentreue vs. Generalisierung
Wie sollte man k wählen? Je höher k ist, desto rauschunempfindlicher sollte die Klassifizierung sein. => bessere Performance Je höher k ist, desto größer ist der Bereich des Feature-Raums, aus dem die Beispiele stammen. => schlechtere Performance k zu klein => Overfitting (Überanpassung) k zu groß => Underfitting (Unteranpassung) Overfitting, trainings- und testmenge, neue Folie: Trainings- und Testfehler

28 KNN – Hallo, wach! Was sind Vor- und Nachteile des KNN-Klassifikators?
Einfach Training ist schnell (bzw. nicht nötig) Test ist langsam Bessere Datenstrukturen: Angepasste Suchbäume Clustern der Trainingsmenge zu Prototypen In der Praxis sind die Ergebnisse brauchbar Später Hallo-Wach-Folie: Vergleich LDA, KNN

29 Linear Discriminant Analysis (LDA)
Idee: Stelle Menge der Beispiele einer Klasse durch parametrisierte Verteilung dar Mehrdimensionale Normalverteilung ist parametrisiert durch Mittelwert und Kovarianzmatrix

30 Linear Discriminant Analysis (LDA)
Idee: Stelle Menge der Beispiele einer Klasse durch parametrisierte Verteilung dar Mehrdimensionale Normalverteilung ist parametrisiert durch Mittelwert und Kovarianzmatrix

31 Linear Discriminant Analysis (LDA)
Mathematische Einfachheit durch Annahme gleicher Kovarianz Es existiert dann eine Trennebene

32 Linear Discriminant Analysis (LDA)
Mathematische Einfachheit durch Annahme gleicher Kovarianz Es existiert dann eine Trennebene

33 Linear Discriminant Analysis (LDA)
Gleichsetzen um Trennebene zu finden Gemeinsame Kovarianzmatrix Mache Daten Mittelwertfrei

34 Linear Discriminant Analysis (LDA)
Linearer Klassifizierer Lesbar (hohe Werte in stehen für wichtige Features) Einfach Schnell

35 Einfaches Beispiel Training Hatten wir vorher schon so ähnlich

36 LDA – Hallo, wach! Was sind die Vor- und Nachteile des LDA? Einfach
Training schnell In der Praxis gute Ergebnisse Gute Generalisierung durch starke Modellannahmen Abhängig von Wahl der Features (dazu später mehr) In manchen Fällen ungeeignet

37 LDA – Hallo, wach! Was sind Unterschiede zwischen LDA und KNN? KNN LDA
kein Training Keine Modellannahmen Gute Datentreue Langsamer Test Teils gute Generalisierung LDA Schnelles Training Starke Modellannahmen Linearer Klassifikator (schnell) Teils gute Generalisierung

38 Machine Learning – Hallo, wach!
Wie sieht ein linearer Klassifikator aus, wenn man nur ein Feature hat? x Formel für eindimensionale Schwelle angeben

39 Linear Discriminant Analysis (LDA)
Reicht ein linearer Klassifikator immer aus? x2 x x

40 Dimension des Feature-Raums
Dimension => Komplexität des Klassifikators Komplexität vs. Generalisierung Trainings-Performance vs. Test-Performance Um in einem Feature-Raum hoher Dimension zu lernen, benötigt man viele Trainings- Beispiele. Neue Folie(n): je größer der Feature-Raum, desto größer muss die Trainingsmenge werden

41 Fluch der Dimensionalität
Hohe Dimensionalität => mehr Trainingsbeispiele nötig Beispiel zweiwertiger Vektor 2D: 3D: 4D: 0 0 1 0 0 1 1 1 0 0 0 1 0 0 0 1 0 1 1 0 0 0 1 1 0 1 0 1 1 1 1 1 Neue Folie(n): je größer der Feature-Raum, desto größer muss die Trainingsmenge werden

42 Fluch der Dimensionalität
Für jeden Punkt sollte ein Label bekannt sein (oder der Klassifikator muss (evtl. falsche) Annahmen) treffen 0 0 1 0 0 1 1 1 0 0 0 1 0 0 0 1 0 1 1 0 0 0 1 1 0 1 0 1 1 1 1 1 Neue Folie(n): je größer der Feature-Raum, desto größer muss die Trainingsmenge werden

43 Zurück zur Bildverarbeitung
Übergabe von Bilddaten an den Klassifikator Vorfahrt / Links abbiegen Klassifikator Gesicht / Kein Gesicht Heim / Auswärts

44 Vorfahrt / Links abbiegen
Feature Extractor Bilder sind komplexe, hochdimensionale Datenstrukturen Feature Extractor Reduziert die Feature-Dimension Implementiert Vorwissen Feature Extractor Vorfahrt / Links abbiegen Klassifikator Gesicht / Kein Gesicht Binäres (!) Klassifikationsproblem!!!! Heim / Auswärts

45 Haar(-like) Feature Ähnlich zu den Haar-Wavelets (daher der Name)
Gesichtsdetektion (2001) Heute in genereller Objektdetektion einsetzbar Referenz zu Kantendetektion (ev. Auch später)

46 Haar(-like) Features Definiert durch Position von
zwei oder mehr Rechtecken einer Vorzeichenzuordnung dieser Rechtecke Berechnung: Summe der Helligkeitswerte unter der weißen Region minus Summe der Helligkeitswerte unter der schwarzen Region

47 Haar(-like) Features Definiert durch Position von
zwei oder mehr Rechtecken einer Vorzeichenzuordnung dieser Rechtecke Berechnung: Summe der Helligkeitswerte unter der weißen Region minus Summe der Helligkeitswerte unter der schwarzen Region Haar-Features geben also an, ob bestimmte einfache Kanten an bestimmten Stellen im Bild vorhanden sind

48 Haar(-like) Features Trick zur effizienten Berechnung: Integralbild
Integralbild enthält für jedes Pixel die Summe aller Helligkeitswerte, die eine kleinere Zeile oder Spalte haben Berechnung in O(1)

49 Haar(-like) Features Trick zur Berechnung Nur oberes weißes Rechteck

50 Haar(-like) Features Trick zur Berechnung

51 Haar(-like) Features Trick zur Berechnung

52 Haar(-like) Features Trick zur Berechnung

53 Haar(-like) Features Trick zur Berechnung

54 Haar(-like) Features Umformung der Rechtecksummen
Statt Jungen ein Integralbild mit allen beteiligten Rechtecken

55 Haar(-like) Features - Hallo, wach!
Unter welchen Umständen ist der Einsatz eines Integralbildes sinnvoll?

56 Haar(-like) Features - Hallo, wach!
Unter welchen Umständen ist der Einsatz eines Integralbildes sinnvoll? Wenn man viele Haar-Features berechnen muss Wenn die Fläche der zu berechnenden Haar-Features größer als die Fläche des Bildes ist

57 Haar(-like) Feature Jedes Haar-Feature liefert einen skalaren Wert
Diese können zum Feature-Vektor konkateniert werden

58 Haar(-like) Feature Woher weiß man, welche Haar-Features man nehmen muss, um z.B. ein Gesicht zu erkennen? Dieses Problem nennt sich Feature-Selection.

59 Feature Selection Problem: Welche Features (z.B. Haar-Features) sind wichtig für mein Klassifikationsproblem? Zwei Features können abhängig sein, d.h., wenn man das eine Feature kennt, hat das andere weniger Information für die Klassifikation Beispiel: Klassifikation von Männern und Frauen Größe und Gewicht korrelieren stark, daher braucht man von diesen Merkmalen nur eines zu nehmen Zwei Features können einzeln wenig Information enthalten, zusammen aber viel Hüft- und Taillenumfang können allein nicht stark zur Klassifikation von Männern und Frauen beitragen, erst ihr Verhältnis liefert wichtige Information Größe und Gewicht, Taillen- und Hüftumfang zur Unterscheidung von Mann und Frau

60 Feature Selection Problem: Welche Features (z.B. Haar-Features) sind wichtig für mein Klassifikationsproblem? Zwei Features können abhängig sein, d.h., wenn man das eine Feature kennt, hat das andere weniger Information für die Klassifikation Zwei Features können einzeln wenig Information enthalten, zusammen aber viel. Theoretisch müssen alle Kombinationen von Features durchprobiert werden Aufwand: Um k Features aus n auszuwählen, müsste man theoretisch auf Feature-Mengen trainieren und testen N über k, durchprobieren heißt einen Klassifikator mit der Feature-Menge trainieren

61 Feature Selection Problem: Welche Features (z.B. Haar-Features) sind wichtig für mein Klassifikationsproblem? Ansätze zur Lösung dieses Problems werden später eingeführt N über k, durchprobieren heißt einen Klassifikator mit der Feature-Menge trainieren

62 Haar(-like) Feature Vorteile: Schnell (sehr schnell)
Skalierbarkeit (für größere Bilder kann man die Feature entsprechend skalieren, ohne zusätzlichen Rechenaufwand) Nachteile: nicht so aussagekräftig

63 Histogram of Oriented Gradients (HOG)
Dalal & Triggs 2005 Zuerst bei Fußgängererkennung verwendet Lokale Gradientenverteilung

64 HOG - Methodik Unterteile Bildausschnitt in Zellen (Cells)

65 HOG - Methodik Berechne Gradientenbilder horizontal und vertikal

66 HOG - Methodik Unterteile Bildausschnitt in Zellen Berechne Orientierungshistogramme

67 HOG - Methodik Unterteile Bildausschnitt in Zellen Berechne Orientierungshistogramme Orientierung des Gradientenpixels bestimmt den Balken (das Bin) Betrag des Gradientenpixels bestimmt das Gewicht

68 HOG - Methodik Unterteile Bildausschnitt in Zellen
Fasse mehrere benachbarte Zellen in Blöcke zusammen Idee: Setze lokale Gradientenverteilung in Relation zu einer größeren Umgebung

69 HOG - Methodik Unterteile Bildausschnitt in Zellen
Fasse mehrere Zellen in Blöcke zusammen Eine Zelle wird i.d.R. von mehreren Blöcken überlappt Cell = Zelle

70 HOG - Methodik Unterteile Bildausschnitt in Zellen
Fasse mehrere Zellen in Blöcke zusammen Eine Zelle wird i.d.R. von mehreren Blöcken überlappt

71 HOG - Methodik Unterteile Bildausschnitt in Zellen
Fasse mehrere Zellen in Blöcke zusammen Eine Zelle wird i.d.R. von mehreren Blöcken überlappt

72 HOG - Methodik Unterteile Bildausschnitt in Zellen
Fasse mehrere Zellen in Blöcke zusammen Eine Zelle wird i.d.R. von mehreren Blöcken überlappt Normiere die Histogramme mit der Summe der Gewichte aller Gradienten im Block

73 HOG - Methodik Idee: Zelle in Relation zu verschiedenen Blöcken betrachten

74 HOG - Methodik

75 HOG - Hallo, wach! Wie viele Einträge hat ein Feature-Vektor eines Bildausschnitts der Größe 35 x 65, auf dem HOG-Features mit 9 Bins pro Histogramm, 8 x 8 Pixel Zellgröße und 2 x 2 Blocks gerechnet werden?

76 HOG - Hallo, wach! Wie viele Einträge hat ein Feature-Vektor eines Bildausschnitts der Größe 35 x 65, auf dem HOG-Features mit 9 Bins pro Histogramm, 8 x 8 Pixel Zellgröße und 2 x 2 Blocks gerechnet werden? (gehen Sie davon aus, dass die Zellen am Rand des Bildes, die nicht von 4 Blocks überdeckt werden können für die Berechnung ignoriert werden)

77 Hallo, wach! Wie viele Einträge hat ein Feature-Vektor eines Bildausschnitts der Größe 35 x 65, auf dem HOG-Features mit 9 Bins pro Histogramm, 8 x 8 Pixel Zellgröße und 2 x 2 Blocks gerechnet werden? (gehen Sie davon aus, dass die Zellen am Rand des Bildes, die nicht von 4 Blocks überdeckt werden können für die Berechnung ignoriert werden) Fehler in Rechung, korrigieren

78 HOG - German Traffic Sign Recognition Benchmark
50,000 Bildausschnitte 43 Klassen IJCNN 2011 0-1-loss

79 HOG - German Traffic Sign Detection Benchmark
600 Einzelbilder IJCNN 2013 Area-Under-Curve

80 HOG - German Traffic Sign Detection Benchmark
600 Einzelbilder IJCNN 2013 Area-Under-Curve

81 HOG - German Traffic Sign Detection Benchmark
600 Einzelbilder IJCNN 2013 Area-Under-Curve

82 HOG - Interpolation Trilineare Interpolation: das Gewicht eines Gradientenpixels wird auf die angrenzenden Zellen und Bins verteilt Formel, Flächen statt Strecken einzeichnen

83 HOG - Interpolation Trilineare Interpolation: das Gewicht eines Gradientenpixels wird auf die angrenzenden Zellen und Bins verteilt Jede Zelle erhält für sein Histogramm den Betrag des Gradientenpixels gewichtet mit der Fläche des ihm gegenüber liegenden Rechtecks A1 A2 A3 A4 Formel, Flächen statt Strecken einzeichnen

84 HOG - Interpolation Trilineare Interpolation: das Gewicht eines Gradientenpixels wird auf die angrenzenden Zellen und Bins verteilt Jede Zelle erhält für sein Histogramm den Betrag des Gradientenpixels gewichtet mit der Fläche des ihm gegenüber liegenden Rechtecks (z.B. oben links) A1 A2 A3 A4 Formel, Flächen statt Strecken einzeichnen

85 HOG - Interpolation Trilineare Interpolation: das Gewicht eines Gradientenpixels wird auf die angrenzenden Zellen und Bins verteilt: w1 w2 Kann weggelassen werden, bringt aber ganz gut was

86 HOG - Interpolation Trilineare Interpolation: das Gewicht eines Gradientenpixels wird auf die angrenzenden Zellen und Bins verteilt Trilineare Interpolation (= bilineare Interpolation zwischen angrenzenden Zellen + lineare Interpolation zwischen angrenzenden Bins) erhöht die Performance der HOG-Features In laufzeitkritischen Anwendungen kann sie vernachlässigt werden Kann weggelassen werden, bringt aber ganz gut was w1 w2

87 HOG – Farbe HOG-Features können für jeden Farbkanal (R, G ,B) einzeln berechnet werden (dies verdreifacht die Dimension des Feature-Vektors) Bildunterschrift R, G, B R G B

88 HOG – Pro und Contra Was sind Vor- und Nachteile der HOG-Features?
PRO: gute Ergebnisse PRO: relativ einfaches Verfahren CON: langsam (verglichen z.B. mit Haar-Features) CON: viele Parameter (Binzahl, Zellgröße, Blockgröße) CON: Ergebnis hängt stark von der Wahl der Parameter ab

89 Vorfahrt / Gefahr Baustelle
Rückblick Handwerkzeug um Bildausschnitte binär (!) zu klassifizieren Haar(-like)-Features, HOG-Features K-Nearest-Neughbour, LDA Feature Extractor Vorfahrt / Gefahr Baustelle Klassifikator Gesicht / kein Gesicht Heim / Auswärts

90 Detektion: Sliding-Window
Klassifikation: Ordne Bildausschnitte ein Detektion: Finde Objekte von Interesse in größeren Bildern (z.B.) suche Stoppschilder in Kamerabildern

91 Sliding-Window Idee: Trainiere einen binären Klassifikator mit zwei Klassen von Bildausschnitten: dem zu findenden Objekt und Gegenbeispielen Wende den Klassifikator auf „alle möglichen“ Bildausschnitte des Kamerabildes an Dies umfasst alle Positionen, Größen (und ev. Rotationen)

92 Sliding-Window Idee: Trainiere einen binären Klassifikator mit zwei Klassen von Bildausschnitten: dem zu findenden Objekt und Gegenbeispielen Wende den Klassifikator auf „alle möglichen“ Bildausschnitte des Kamerabildes an Dies umfasst alle Positionen, Größen (und ev. Rotationen)

93 Sliding-Window Idee: Trainiere einen binären Klassifikator mit zwei Klassen von Bildausschnitten: dem zu findenden Objekt und Gegenbeispielen Wende den Klassifikator auf „alle möglichen“ Bildausschnitte des Kamerabildes an Dies umfasst alle Positionen, Größen (und ev. Rotationen)

94 Sliding-Window Idee: Trainiere einen binären Klassifikator mit zwei Klassen von Bildausschnitten: dem zu findenden Objekt und Gegenbeispielen Wende den Klassifikator auf „alle möglichen“ Bildausschnitte des Kamerabildes an Dies umfasst alle Positionen, Größen (und ev. Rotationen)

95 Sliding-Window Idee: Trainiere einen binären Klassifikator mit zwei Klassen von Bildausschnitten: dem zu findenden Objekt und Gegenbeispielen Wende den Klassifikator auf „alle möglichen“ Bildausschnitte des Kamerabildes an Dies umfasst alle Positionen, Größen (und ev. Rotationen)

96 Sliding-Window Idee: Trainiere einen binären Klassifikator mit zwei Klassen von Bildausschnitten: dem zu findenden Objekt und Gegenbeispielen Wende den Klassifikator auf „alle möglichen“ Bildausschnitte des Kamerabildes an Dies umfasst alle Positionen, Größen (und ev. Rotationen)

97 Sliding-Window Idee: Trainiere einen binären Klassifikator mit zwei Klassen von Bildausschnitten: dem zu findenden Objekt und Gegenbeispielen Wende den Klassifikator auf „alle möglichen“ Bildausschnitte des Kamerabildes an Dies umfasst alle Positionen, Größen (und ev. Rotationen)

98 Sliding-Window Idee: Trainiere einen binären Klassifikator mit zwei Klassen von Bildausschnitten: dem zu findenden Objekt und Gegenbeispielen Wende den Klassifikator auf „alle möglichen“ Bildausschnitte des Kamerabildes an Dies umfasst alle Positionen, Größen (und ev. Rotationen)

99 Sliding-Window Idee: Trainiere einen binären Klassifikator mit zwei Klassen von Bildausschnitten: dem zu findenden Objekt und Gegenbeispielen Wende den Klassifikator auf „alle möglichen“ Bildausschnitte des Kamerabildes an Dies umfasst alle Positionen, Größen (und ev. Rotationen)

100 Sliding-Window Idee: Trainiere einen binären Klassifikator mit zwei Klassen von Bildausschnitten: dem zu findenden Objekt und Gegenbeispielen Wende den Klassifikator auf „alle möglichen“ Bildausschnitte des Kamerabildes an Dies umfasst alle Positionen, Größen (und ev. Rotationen)

101 Detektion Welche Fehler kann ein Detektor machen?
Er findet ein Objekt, wo keines ist. (Falsch positiv, FP) Er findet kein Objekt, wo eines ist. (Falsch negativ, FN) Bewertung über zwei Kenngrößen (TP = richtig erkannte Objekte) Verschiedene Einstellungen (Empfindlichkeit) des Detektors können verschiedene Precision-Recall-Wertepaare ergeben

102 Detektion Verschiedene Einstellungen (Empfindlichkeit) des Detektors können verschiedene Precision-Recall-Wertepaare ergeben

103 AdaBoost Verwende viele einfache („schwache“) Klassifikatoren, um einen sehr guten Klassifikator zu konstruieren AdaBoost kann auch für Feature-Selection verwendet werden Einfachster denkbarer Klassifikator:

104 AdaBoost Verwende viele einfache („schwache“) Klassifikatoren, um einen sehr guten Klassifikator zu konstruieren AdaBoost kann auch für Feature-Selection verwendet werden Einfachster denkbarer Klassifikator: Linearer Klassifikator im 1D-Featureraum (Schwellwert auf einem Skalar) Beispiel mit einem Haar-Feature, Haar-Feature-Junge

105 AdaBoost Idee 1: Baue den starken Klassifikator schrittweise auf, indem man den schwachen Klassifikator dazunimmt, der im aktuellen Schritt am „wertvollsten“ ist. Idee 2: Gebe jedem Trainingsbeispiel ein Wichtigkeit. Falls das Beispiel vom aktuellen Klassifikator richtig klassifiziert wird, senke sein Gewicht. Falls das Beispiel vom aktuellen Klassifikator falsch klassifiziert wird, erhöhe sein Gewicht. D.h. schwache Klassifikatoren, die aktuell falsch klassifizierte Beispiele richtig klassifizieren, werden wertvoller. Idee 3: Bilde (irgendwie) eine Linearkombination der schwachen Klassifikatoren, um den starken Klassifikator zu konstruieren.

106 AdaBoost – Pseudocode Gegeben: Trainingsdaten mit Gewichten und Schwache Klassifikatoren Initialisiere: die m positiven Trainingsbeispiele die l negativen Trainingsbeispiele Wiederhole: 1, ..., T Normalisiere Gewichte Trainiere alle Klassifikatoren, so dass der gewichtete Trainingsfehler minimiert wird Merke als schwachen Klassifikator mit minimalem Trainingsfehler

107 AdaBoost – Pseudocode Gegeben: Trainingsdaten mit Gewichten und Schwache Klassifikatoren Wiederhole: t = 1, ..., T Normalisiere Gewichte Trainiere alle Klassifikatoren, so dass der gewichtete Trainingsfehler minimiert wird Merke als schwachen Klassifikator mit minimalem Trainingsfehler Aktualisiere Gewichte für richtig klassifizierte Beispiele Merke Starker Klassifikator:

108 AdaBoost - Beispiel Gegeben sei folgendes Klassifikationsbeispiel
Schwache Klassifikatoren sind 1D-Schwellwerte für jedes Feature

109 AdaBoost - Beispiel Gegeben sei folgendes Klassifikationsbeispiel
Schwache Klassifikatoren sind 1D-Schwellwerte für jedes Feature

110 AdaBoost - Beispiel Gegeben sei folgendes Klassifikationsbeispiel
Schwache Klassifikatoren sind 1D-Schwellwerte für jedes Feature Feature 1 Feature 2 Feature 3

111 AdaBoost - Beispiel Gegeben sei folgendes Klassifikationsbeispiel
Schwache Klassifikatoren sind 1D-Schwellwerte für jedes Feature Feature 1 Fehler: 0,0515 Feature 2 Fehler: 0,039 Feature 3 Fehler: 0,09

112 AdaBoost - Beispiel Gegeben sei folgendes Klassifikationsbeispiel
Schwache Klassifikatoren sind 1D-Schwellwerte für jedes Feature 1,231 1,5219 0,9658 Feature 1 Fehler: 0,0515 Feature 2 Fehler: 0,039 Feature 3 Fehler: 0,09

113 AdaBoost - Beispiel Gegeben sei folgendes Klassifikationsbeispiel
Schwache Klassifikatoren sind 1D-Schwellwerte für jedes Feature Fehler: Neue Trainings-Gewichte: Normieren. Klassifikator-Gewicht: Aktueller starker Klassifikator: 1,5219 Feature 2 Fehler: 0,039

114 AdaBoost – Beispiel Aktueller starker Klassifikator:

115 AdaBoost - Beispiel Verbleiben zwei weitere schwache Klassifikatoren
Feature 1 Feature 3

116 AdaBoost - Beispiel Verbleiben zwei weitere schwache Klassifikatoren
Neue Gewichte! Feature 1 Feature 3

117 AdaBoost - Beispiel Verbleiben zwei weitere schwache Klassifikatoren
Neue Gewichte! 1,7577 1,2499 Feature 1 Fehler: 0,0848 Feature 3 Fehler: 0,1523

118 AdaBoost - Beispiel Verbleiben zwei weitere schwache Klassifikatoren
Neue Gewichte! 1,7577 1,2499 Feature 1 Fehler: 0,0848 Feature 3 Fehler: 0,1523

119 AdaBoost - Beispiel Gegeben sei folgendes Klassifikationsbeispiel
Schwache Klassifikatoren sind 1D-Schwellwerte für jedes Feature Fehler: Neue Trainings-Gewichte: Normieren. Klassifikator-Gewicht: Aktueller starker Klassifikator: 1,7577 Beide male x im starken Klassifikator, ersetzen x_2 und x_1 Feature 1 Fehler: 0,0848

120 AdaBoost – Beispiel Aktueller starker Klassifikator:

121 AdaBoost – Beispiel Aktueller starker Klassifikator:
Warum sind die Ergebnisse gleich? Vorheriger Klassifikator Aktueller Klassifikator

122 AdaBoost - Beispiel Verbleibt ein weiterer schwacher Klassifikator
Neue Gewichte! 1.2477 Feature 3 Fehler: 0,0818

123 AdaBoost – Beispiel Aktueller starker Klassifikator:
Vorheriger Klassifikator (Fehler: 7,8 %) Aktueller Klassifikator (Fehler: 4,6 %) Globalen Fehler ausrechenen