Du befindest dich hier: FSI Informatik » Prüfungsfragen und Altklausuren » Hauptstudiumsprüfungen » Lehrstuhl 5 » Mustererkennung 2009 (Übersicht)
Dies ist eine alte Version des Dokuments!
Inhaltsverzeichnis
Mustererkennung 2009
17. Maerz: Me1 & Me2
Bemerkungen
- Prüfer: Frau Angelopoulou, Herr Hornegger
- Atmosphäre: typische Prüfungssituation - entspannte Prüfer, angespannter Prüfling :)
Fragen
- Big Picture
- Pre-Processing: Erklaeren Sie mal Histogram Equalization.
- Feature Extraction:
- Was ist PCA?
Bildchen - Was ist LDA?
Bildchen
auf Nachfrage: Optimierungsproblem anhand von Fisher LDA erklaert (Formeln waren ihnen wichtig!)
- Pre-Processing: Welche nicht-linearen Filter kennen Sie?
Morphologische Filter/Rank-Order Filter: Erosion und Dilation - Erklaeren Sie mal Homomorphic Transformation
Bild multiplikativ mit Strorsignal verrauscht →→ Logarithmus →→ Gauss-Filterung →→ exp()
- Erklaeren 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 erklaeren
- Was fuer 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 wuerden sie diese bzgl. des Optimierungsproblems sortieren?
Wollte auf … < SVM < Rosenblatt's Perceptron raus, da letzterer mit sich aendernder Menge an falsch klassifizierten Features 'zu kaempfen' hat
17. Maerz: Me1 & Me2
Bemerkungen
- Pruefer: Frau Angelopoulou, Herr Hornegger
Fragen
- Big Picture
- Sampling:
Nyquist Theorem erklaeren
'>' oder '>=' bzgl. wie hohe Abtastrate? - Feature Extraction:
Walsh-Transformation erklaeren (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')
Komplexitaet - Deleted Interpolation
xx.yy: 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