Du befindest dich hier: FSI Informatik » Prüfungsfragen und Altklausuren » Hauptstudiumsprüfungen » Lehrstuhl 5 » Mustererkennung 2009

Inhaltsverzeichnis

Mustererkennung 2009

17. März: Me1 & Me2

Bemerkungen

  • Prüfer: Frau Angelopoulou, Herr Hornegger
  • Atmosphäre: typische Prüfungssituation - entspannte Prüfer, angespannter Prüfling :)

Fragen

  • Big Picture
  • Pre-Processing: Erklären Sie mal Histogram Equalization.
  • Feature Extraction:
    • Was ist PCA?
      Bildchen
    • Was ist LDA?
      Bildchen
      auf Nachfrage: Optimierungsproblem anhand von Fisher LDA erklärt (Formeln waren ihnen wichtig!)
  • Pre-Processing: Welche nicht-linearen Filter kennen Sie?
    Morphologische Filter/Rank-Order Filter: Erosion und Dilation
  • Erklären Sie mal Homomorphic Transformation
    Bild multiplikativ mit Störsignal verrauscht →→ Logarithmus →→ Gauss-Filterung →→ exp()
  • Erklären Sie mal SVM
    Bildchen (Schlauch)
  • Optimierungsfunktion hinschreiben
    max C und wollte dann wohl noch a*c + a_0 >= C
  • Constraints beachten? Wie?
    Lagrange Multiplier nach Umformung bzgl. Normierung →→ lambda(a*c + a_0 - 1)
  • Was wird bei nicht trennbaren Klassen gemacht?
    Slack-Variablen; Optimierungsfunktion erweitern
  • Rosenblatt's Perceptron erklären
  • Was für andere Klassifikationsansaetze gibt es noch, bei denen eine lineare Entscheidungsfunktion 'herauskommt'?
    Optimaler und Gauss'scher Klassifikator, Logistic Regression.
  • Was sind das jeweils fuer Optimierungsprobleme?
    lineare, nicht lineare, quadratische …
  • Wie würden sie diese bzgl. des Optimierungsproblems sortieren?
    Wollte auf … < SVM < Rosenblatt's Perceptron raus, da letzterer mit sich ändernder Menge an falsch klassifizierten Features 'zu kämpfen' hat

17. März: Me1 & Me2

Bemerkungen

  • Prüfer: Frau Angelopoulou, Herr Hornegger

Fragen

  • Big Picture
  • Sampling:
    Nyquist Theorem erklären
    '>' oder '>=' bzgl. wie hohe Abtastrate?
  • Feature Extraction:
    Walsh-Transformation erklären (Funktionen, Kronecker-Produkt)
    PCA: objective function hinschreiben
  • Classification:
    Bayes, optimal?
    Ist jeder Klassifikator, der den Bayes approximiert optimal? AV-Loss, …
  • SVM
    objective function aufschreiben
  • Rosenblatt's Perceptron
  • HMM
    Ausgabewahrscheinlichkeiten
    Forward-Algorithmus (Bildchen war ihm zu wenig; Formel mit 'rausziehen')
    Komplexität
  • Deleted Interpolation

Me1 & Me2

  • Big Picture
  • A/D-Conversion: keine Fragen zu diesem Thema
  • Preprocessing: „Welche Filter kennen Sie?“ - Man konnte beliebige Filter aufzählen und musste diese dann erklären.
  • Feature Extraction: PCA, LDA
  • Classification: HMMs