In der vorliegenden Arbeit geht es um Support Vector Machines in der Bilderkennung. Zur Lösung der meisten mathematischen Probleme benötigen wir einen Algorithmus, den wir rechnerisch ausführen können. Diese Abfolge von Operationen wandelt unser Problem als Input in eine Lösung 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 allgemeingültigen Algorithmus für dieses Problem definieren können.
Dieses Problem lässt sich allerdings mithilfe einer großen Menge an Daten lösen. Wenn wir nämlich 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 überwachten Lernen gezählt wird, man kann also seine Resultate mit den richtigen Ergebnissen vergleichen und damit das Modell validieren. Dazu werden wir zunächst genauer auf dieses Modell eingehen und dann erklären, 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 höherdimensionalen Anwendungsgebieten wie in unserem Fall der Bilderkennung stößt man allerdings auch das Problem, dass lineare SVMs keine befriedigenden Ergebnisse mehr liefern. Hier auf Kernel SVMs umzusteigen lässt die Komplexität des Problems explodieren und übersteigt die Rechenleistung eines gewöhnlichen Heimcomputers. Für diesen Fall sind vermutlich andere Algorithmen, die gezielt Objekte wiedererkennen, besser geeignet.
Inhaltsverzeichnis
- 1 Einführung in das Maschinelle Lernen und die Thematik
- 2 Support Vector Machines
- 2.1 Lineare SVMs für linear separierbare Muster
- 2.1.1 Lineare Separierbarkeit und trennende Hyperebenen
- 2.1.2 Optimale Trennebenen
- 2.2 Lineare SVMs für nicht linear separierbare Muster
- 2.2.1 Definition
- 2.2.2 Berechnung
- 2.2.3 Anwendungsbeispiel für lineare SVMs.
- 2.3 Kernel SVMs für nicht linear separierbare Muster
- 2.3.1 Grundlegendes.
- 2.3.2 Kernelfunktionen
- 2.3.3 Anwendungsbeispiel von Kernel SVMs
- 2.1 Lineare SVMs für linear separierbare Muster
- 3 Erkennung von Haarwurzeln mithilfe von SVMs
- 3.1 Grundproblem.
- 3.2 Datenimport und Aufbereitung.
- 3.3 Umsetzung in Python . .
- 3.4 Auswertung der Ergebnisse
- 3.5 Fazit und Diskussion
Zielsetzung und Themenschwerpunkte
Diese Seminararbeit befasst sich mit der Anwendung von Support Vector Machines (SVMs) im Bereich der Bilderkennung, insbesondere bei der Erkennung von Haarwurzeln. Ziel ist es, eine Einführung in das Maschinelle Lernen und die Funktionsweise von SVMs zu geben sowie die praktische Anwendung dieser Methode zur Lösung eines konkreten Problems zu demonstrieren.
- Einführung in das Maschinelle Lernen und die Thematik
- Grundlagen der Support Vector Machines (SVMs)
- Lineare und Kernel SVMs
- Anwendung von SVMs zur Haarwurzelerkennung
- Bewertung der Ergebnisse und Diskussion der Methode
Zusammenfassung der Kapitel
- Kapitel 1: Dieses Kapitel gibt eine Einführung in das Maschinelle Lernen und die Thematik der Bilderkennung. Es werden die Herausforderungen bei der Klassifizierung von Objekten mithilfe von Computern beleuchtet und die Notwendigkeit von Lernalgorithmen, die aus großen Datenmengen lernen können, hervorgehoben.
- Kapitel 2: Dieses Kapitel befasst sich mit Support Vector Machines (SVMs). Es werden verschiedene Arten von SVMs vorgestellt, darunter lineare SVMs für linear separierbare Muster sowie Kernel SVMs für nicht linear separierbare Muster. Die Kapitel erklären die mathematischen Grundlagen der SVMs und geben Anwendungsbeispiele.
- Kapitel 3: Dieses Kapitel beschreibt die Anwendung von SVMs zur Erkennung von Haarwurzeln in Bildausschnitten. Es wird das Grundproblem erläutert, wie die Daten importiert und aufbereitet werden, wie die SVMs in Python implementiert werden und wie die Ergebnisse ausgewertet werden. Zudem wird eine Diskussion über die Ergebnisse und die Stärken und Schwächen der Methode geführt.
Schlüsselwörter
Maschinelles Lernen, Support Vector Machines (SVMs), Bilderkennung, Haarwurzelerkennung, Lineare Separierbarkeit, Kernelfunktionen, Python, Datenimport, Datenaufbereitung, Ergebnisbewertung, Diskussion.
- Quote paper
- Niklas Würtele (Author), 2018, Support Vector Machines in der Bilderkennung, Munich, GRIN Verlag, https://www.grin.com/document/454248