Support Vector Machines in der Bilderkennung: Entscheidungshilfe durch Algorithmen [German]

By Niklas Würtele

Studienarbeit aus dem Jahr 2018 im Fachbereich Mathematik - Algebra, Universit t Augsburg, Sprache: Deutsch, Abstract: In der vorliegenden Arbeit geht es um Support Vector Machines in der Bilderkennung. Zur L sung der meisten mathematischen Probleme ben tigen wir einen Algorithmus, den wir rechnerisch ausf hren k nnen. Diese Abfolge von Operationen wandelt unser Problem als Input in eine L sung als Output. Was aber, wenn wir einen solchen Algorithmus nicht haben? Zum Beispiel bei der Klassifizierung von E-Mail Spam oder bei der Bilderkennung ist dies oft der Fall. Da im E-Mail-Beispiel die Klassifizierung auch von Person zu Person unterschiedlich ist, wird man nur schwer einen allgemeing ltigen Algorithmus f r dieses Problem definieren k nnen. Dieses Problem l sst sich allerdings mithilfe einer gro en Menge an Daten l sen. Wenn wir n mlich selber klassifizieren, kann der Computer aus unseren Entscheidungen lernen und dadurch neue Objekte selbst einstufen. Eine solche Logik wollen wir nun bei der Erkennung von Haarwurzeln in Bildausschnitten einsetzen. Konkret sollen dazu Support Vector Machines (SVM) genutzt werden, ein Model, das zum berwachten Lernen gez hlt wird, man kann also seine Resultate mit den richtigen Ergebnissen vergleichen und damit das Modell validieren. Dazu werden wir zun chst genauer auf dieses Modell eingehen und dann erkl ren, wie dieses mithilfe von Python auf unser Ausgangsproblem angewandt werden kann. SVMs sind in der Tat in der Lage, ohne Vorgabe einer konkreten Logik gegebene Daten sinnvoll zu klassifizieren. Ein weiterer Vorteil ist, dass im Gegensatz zu anderen Klassifizierungsalgorithmen durch die Transformation zu konvexen Problemen global optimiert wird. Bei h herdimensionalen Anwendungsgebieten wie in unserem Fall der Bilderkennung st t man allerdings auch das Problem, dass lineare SVMs keine befriedigenden Ergebnisse mehr liefern. Hier auf Kernel SVMs umzusteigen l sst die Komplexit t des Problems explodieren und bersteigt die

• Format: Paperback
• Language: German
• ISBN: 3668905126
• ISBN13: 9783668905122
• Release Date: April 2019
• Publisher: Grin Verlag
• Length: 30 Pages
• Weight: 0.11 lbs.
• Dimensions: 0.1" x 5.8" x 8.3"