AI Project: Computational Visual Perception - Cheatsheet

Segmentierte Bildverarbeitung: Filtern, Segmentierung, Rauschunterdrückung

Definition:

Details:

• Filtern: Anwendungen wie Glättung, Kantendetektion; relevante Filter: Median, Gaussian, Sobel.
• Segmentierung: Trennung interessanter Objekte im Bild; Methoden: Schwellenwertverfahren, Region-Growing, Clustering.
• Rauschunterdrückung: Entfernen von Bildrauschen zur Verbesserung der Bildqualität; Techniken: Medianfilter, Wiener-Filter, Bilateraler Filter.

Deep Learning Architekturen: CNNs und deren Anwendungen

Definition:

Convolutional Neural Networks (CNNs) sind spezialisierte Deep Learning-Architekturen, die besonders effektiv bei der Verarbeitung von Bilddaten sind. Sie nutzen Faltungsoperationen, um Merkmale in Bildern zu erkennen.

Details:

• Convolutional Layer: Wendet Faltungen an, um Merkmale zu extrahieren. Wichtige Hyperparameter: Kernel-Größe, Stride, Padding.
• Pooling Layer: Reduziert die Dimensionalität der Merkmale durch Operationen wie Max-Pooling oder Average-Pooling.
• Fully Connected Layer: Verbinden alle Neuronen, ähnlich wie in einem klassischen neuronalen Netzwerk, zur Klassifikation.
• Aktivierungsfunktionen: ReLU oft verwendet, um Nicht-Linearitäten einzuführen.
• Anwendungen: Bildklassifikation, Objekterkennung, Segmentierung, Stiltransfer, Bilderzeugung.
• Wichtige CNN-Architekturen: LeNet, AlexNet, VGG, ResNet, Inception

Hyperparameter-Tuning und Optimierungsalgorithmen im maschinellen Lernen

Definition:

Auswahl und Anpassung der Hyperparameter eines maschinellen Lernmodells zur Verbesserung der Leistung.

Details:

• Hyperparameter: Parameter, die nicht während des Trainings gelernt werden (z.B. Lernrate, Batch-Größe).
• Optimierungsalgorithmen: Methoden zum Finden der besten Hyperparameter-Einstellungen (z.B. Grid Search, Random Search, Bayesian Optimization).
• Grid Search: Systematisches Durchsuchen eines definierten Hyperparameter-Raums.
• Random Search: Zufälliges Probieren von Hyperparameter-Kombinationen.
• Bayesian Optimization: Nutzen von vorherigen Ergebnissen zur informierten Auswahl neuer Hyperparameter.
• Ziel: Minimierung der Fehlerrate oder Maximierung der Modellgenauigkeit.

Feature-Deskriptoren: SIFT, SURF und deren Anwendungsfälle

Definition:

Feature-Deskriptoren wie SIFT (Scale-Invariant Feature Transform) und SURF (Speeded-Up Robust Features) werden verwendet, um charakteristische Punkte in Bildern zu identifizieren und zu beschreiben.

Details:

• SIFT: robust gegenüber Skalierungen, Translationen und Rotationen
• SURF: schneller als SIFT, aber ähnliche Robustheit
• Anwendungsfälle: Objekterkennung, Bildstitching, 3D Rekonstruktion, Bewegungsanalyse
• Mathematisch: SIFT verwendet Difference-of-Gaussian (DoG) für die Skalierung und Lokalisierung von Schlüssel-Punkten, während SURF Integralbilder für die Geschwindigkeit verwendet
• Beide Methoden berechnen Merkmalsvektoren basierend auf Gradientenorientierungen

Klassifikations- und Regressionsmethoden im überwachten Lernen

Definition:

Methoden zur Vorhersage von Kategorien (Klassifikation) oder numerischen Werten (Regression) basierend auf gelabelten Trainingsdaten.

Details:

• Überwachtes Lernen: Modelltraining mit Eingabe-Ausgabe-Paaren.
• Klassifikation: Zuordnung von Eingaben zu Kategorien, z.B. Entscheidungsbäume, SVM.
• Regression: Vorhersage kontinuierlicher Werte, z.B. Lineare Regression, Random Forest.
• Loss-Funktionen: Klassifikation - Kreuzentropie, Regression - Mean Squared Error (MSE).
• Evaluation: Klassifikation - Genauigkeit, F1-Score; Regression - R^2, RMSE.
• Grundlagen: Datensammlung, Vorverarbeitung, Modellwahl, Training, Evaluierung.

Transfer Learning: Nutzung vortrainierter Modelle

Definition:

Verwendung bereits trainierter Modelle, um sie auf neuen, aber ähnlichen Aufgaben zu nutzen.

Details:

• Schnellere Trainingszeiten durch bereits gelernte Merkmale.
• Reduzierte Datenanforderungen, da das Modell bereits vortrainiert ist.
• Beschleunigt Konvergenz und verbessert Genauigkeit.
• Häufig in der Bild- und Spracherkennung verwendet.
• Hauptansatz: Feintuning eines vortrainierten Modells.
• Typische Frameworks: TensorFlow, PyTorch.

Kanten- und Eckdetektion zur Merkmalsextraktion

Definition:

Erkennung von Signifikanten Kanten und Ecken in Bildern zur Extraktion von wichtigen Bildmerkmalen

Details:

• Kanten: Bereiche mit hohen Intensitätsänderungen
• Hauptmethoden: Sobel-Operator, Canny-Algorithmus
• Sobel-Operator: Berechnung des Gradienten \[ G = \sqrt{(G_x^2 + G_y^2)} \]
• Canny-Algorithmus: Mehrstufiger Prozess bestehend aus Rauschreduzierung, Gradientenberechnung, Non-Maximum Suppression und Schwellenwertbildung
• Ecken: Punkte, an denen sich zwei Kanten treffen
• Harris-Eckendetektor: Basierend auf der zweiten Ableitung der Bildintensität, Harris-Matrix \[ M = \sum w(i,j) \begin{bmatrix} I_x^2 & I_x I_y \ \ I_x I_y & I_y^2 \end{bmatrix} \]
• Anwendungen: Merkmalsextraktion für Mustererkennung, Bildverarbeitung, Computer Vision

Bildverarbeitungsanwendungen: Medizin und Überwachung

Definition:

Anwendungen der Bildverarbeitung in den Bereichen Medizin und Überwachung; konzentriert sich auf die Verwendung von Algorithmen zur Analyse und Interpretation von Bildern.

Details:

• Medizinische Bildverarbeitung: CT, MRT, Röntgen für Diagnose und Behandlung.
• Überwachung: Einsatz von Kameras und Algorithmen zur Gesichtserkennung, Objekterkennung und Bewegungsanalyse.
• Bildvorverarbeitung: Rauschunterdrückung, Kontrastverbesserung.
• Segmentierung: Trennung von relevanten Bildbereichen zur Analyse.
• Merkmalserkennung: Spezifische Muster oder Anomalien identifizieren.
• Deep Learning: Nutzung von CNNs zur automatisierten Bilderkennung und Diagnose.