Prüfung Pattern Analysis, SS 2015 (Sept)

• Prüfer: Dr.-Ing. Christian Riess
• Stimmung: relativ locker
• Vorbereitung:
  • alle Vorlesungsfolien per Video angeschaut und Tafelbild mitgeschrieben
  • alte Prüfungsprotokolle stichpunktartig in einem Dokument zusammengefasst (nach Kapitel geordnet)
  • Daher konnte ich wissen welche Themen besonders wichtig waren und wie detailliert die Fragen waren.
  • Wichtiges im Skript markiert
  • Wichtiges erneut abgeschrieben (= Merk-Zettel)
  • Merkzettel auswendig gelernt
• Ergebnis: Ziemlich gut ;)

1. Introduction:

Mindmap hinmalen

2. Manifold Learning

• Welche Algorithmen gibt es?
• Was sind Manigfaltigkeiten und Wie funktionieren ISO-Maps?
  • swiss role in 3D hingemalt
  • daneben eine ISOMAP in 2D (aufgerollte swiss roll)
  • Distanzmatrix beinhaltet geodätische Distanzen
  • für eine Nachbarschaft ist die euklidische Distanz eine gute Approximation
  • für weiter entfernte Knoten muss der Dijkstra-Algorithmus den kürzesten Pfad finden
• Was ist das Optimierungsproblem von Laplacian Eigenmaps und wie funktioniert der Algorithmus.
  • In der Vorlesung wurde dieses Thema 2x (einmal von Christian und einmal von Prof. Hornegger) behandelt.
  • Ich habe Christians Version vom Kapitel Random Forests beschreiben. Er wollte eigentlich die analytische Herleitung der Laplacian-Matrix (von Prof. Hornegger) wissen.
  • Nach der Nebenbedingung wurde auch gefragt: s.th. x'^T D x' = 1

3. Hidden Markov Models

• Bitte ein einfaches HMM hinzeichnen (und ganz kurz erklären).
• Was sind die 3 Hauptprobleme bei HMM?
  • 3 Hauptprobleme kurz benannt
  • dann Lösungen bennenen:
    • Forward / Backward-Algorithmus: Motivation? Komplexitäten aufgeschrieben
    • Viterbi-Algorithmus (nur erwähnt, nicht erklärt)
    • Training des HMMs (Baumwelch-Formulas erwähnt)

4. Clustering Es wurde ein Bild mit zwei Männchen aufgemalt. Beide hatten einen roten Kopf und einen blauen Bauch.

• Wie kann ich hier Siegmentierung betreiben?
  • 3 Algorithmen zu nennen: Hard-Clustering (aka K-Means), Soft-Clustering, MSA
• Wie funktioniert MSA, wie funktioniert K-Means (im Bezug auf das Beispielproblem)

• MSA, welche Kernel haben wir kennengelernt?
  • 2 Kernel erwähnt: Epanechnikov, Gaussian

• Wann wählt man K-Means, wann MSA? Bzw. Was sind die Parameter?
  • K-Means wählt man wenn die Anzahl der Maxima bekannt ist. Parameter ist also k, die Anzahl der Maxima.
  • Wenn die Anzahl der Maxima unbekannt ist, kann man sehr viele MS-Vorgänge initialisieren. Viele werden gegen gleiche Maxima konvergieren. So findet man k Maxima. Parameter ist die Fenstergröße.

• Wie segmentiere ich die blauen Teile (Bauch) voneinander?
  • meine Anwort: Bump Hunting im 5D-Raum. Dimensionen: X-Koordinate, Y-Koordinate, R-, G-, B-Wert
  • besser wäre gewesen: ich betrachte im Bild nur blaue Feature-Vektoren (Pixel) und finde dann die zwei Körper im Bild durch Clustering.

• Zeit war um. Die nächste Frage wäre über Unterschiede in der Implementierung von MSA und K-Means gegangen.