Prüfung: Introduction to Pattern Recognition (mit Übung) 7.5 ECTS
Prüfer: Dr. Stefan Steidl
Vorbereitung: Auch wenn keine explizite Frage zur Übung gestellt wurde, würde ich das Besuchen der Übung schon allein zum Verständnis empfehlen. Zur Vorbereitung auf die Prüfung empfiehlt es sich die Vorlesungsfolien wirklich im Detail durchzugehen. Außerdem ist es hilfreich sich in der Vorlesung Notizen zu den Folien gemacht zu haben.
Allgemeines: Angenehme Atmosphäre, nicht locker aber auch nicht gespannt. Ich hatte den Eindruck, dass Herr Steidl sehr präzise Antworten bevorzugt. Wenn man etwas unklar oder falsch formuliert oder aufschreibt, kann man sicher sein, dass eine Nachfrage dazu kommt. Bei der Benotung wird aber über die ein oder andere kleine Lücke hinweggesehen. Bei Lücken wartet Herr Steidl geduldig und hilft ggf. weiter. Wenn man auf etwas gar nicht kommt, wird man (bevor die nächste Frage gestellt wird) über die richtige Lösung aufgeklärt.

Fragen & Antworten:

Hier kann man auch gleich ein paar der behandelten Themen nennen.

Bis zur Hälfte steigt die Tonhöhe kontinuierlich an, dann sinkt sie wieder ab, weil höhere Frequenzen als die Abtastfrequenz in den niederfrequenten Bereich gemapped werden (Aliasing). (Siehe Beispiel 2)

Definition eines morphologischen Systems hingeschrieben und darauf hingeweisen, dass T eine lineare Transformation ist, wenn man die Operatoren durch + und * ersetzt.

Dirac-Impuls; die Impulsantwort an Stelle [jk, uv] ist dann die Dirac-Funktion an Stelle [j - u, k - v] nach Anwenden der Transformation T.

Z.B. Sobel-Operator [-1 0 1; -2 0 2; -1 0 1] in x- bzw. [-1 -2 -1; 0 0 0; 1 2 1] in y-Richtung.

Hier habe ich argumentiert, dass der größere Kernel im Vergleich zu [-1 1] robuster gegen Rauschen ist und die mittlere Zeile höher gewichtet wird. Die Ableitung kann man durch die Vorwärtsdifferenz bestimmen ähnlich dem Differenzialquotient lim h - > 0 ( ( f(x + h) - f(x) ) / h, wobei bei Bildern h=1 Pixel entspricht.

Laplacian: Nullstellen der zweiten Ableitung. Laplacian Kernel: [0 1 0; 1 -4 1; 0 1 0]. Da die zweite Ableitung sehr empfindlich auf Rauschen reagiert, wendet man überlicherweise eine Rauschfiltermethode (Gauss) zuerst auf das Bild an. Da die Faltung distributiv ist, kann man Gauss- und Laplace-Filter auch zuerst falten (Laplacian of Gaussians).

Gauss-Funktion für ein- und mehrdimensionalen Fall hinschreiben. Erzählen, dass man die Gauss-Funktion zweimal ableiten und mit einem Sampling-Gitter abtasten müsse.

Eine morphologische Operation, nämlich Binary closing. Kurz erklären, wie Erosion und Dilation funktionieren und wie daraus die Opening- und Closing-Operationen hervorgehen.

Ja, Erosion auf Graustufenbild entspricht Minmum der Intensitätswerte unter dem Strukturelement und hilft gegen weiße Pixel (Salt Noise), Dilation entspricht Maximum der Intensitäten und hilft gegen schwarze Bildpunkte (Pepper Noise).

Heuristisch: basierend auf Experimenten, Expertenmeinung etc. Analytisch: Optimierung einer Zielfunktion, welche die Qualität der Features sicherstellt.

Ansatz der Herleitung mit Maximierung der Distanz zwischen allen Paaren von Feature Vektoren sowie resultierende Zielfunktion hingeschrieben.

Minimierung des mean square error führt auch zur PCA für Samples mit dem 0-Vektor als Mittelwert.

Minimierung der Anzahl der falschen Klassifikationen; Entwicklung einer Transformation, welche die Anzahl der Falschklassifikationen minimiert.

Einführung von Kosten eines zu Klasse k gehörenden Feature Vektors in die richtige Klasse k, eine Rejection Class 0 und eine falsche Klasse l. Wahrscheinlichkeitsdichte der probability of confusion und Risiko einer Entscheidungfunktion hingeschrieben und Test Statistics markiert.