Zusammenfassung - Otto-von-Guericke-Universität Magdeburg
Zusammenfassung - Otto-von-Guericke-Universität Magdeburg
Zusammenfassung - Otto-von-Guericke-Universität Magdeburg
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
9.3 Resultate für multialgorithmische Fusion<br />
Der Parameter w wurde für die Testläufe auf die Werte 7, 10, 20 und 35 gesetzt; der Parameter<br />
qcurv betrug konstant 17 und für qdir wurden die Werte 12 und 14 verwendet. Für die<br />
Fusion kamen alle drei Funktionen Minimum, Maximum und Durchschnittsbildung zum Einsatz.<br />
In Abbildung 9.9 sind die entsprechenden Precision-Recall-Kurven zu sehen, sowie zum<br />
Vergleich die Kurven für den Merkmalstyp der Schriftrichtung ohne Fusion. Wie im vorangegangenen<br />
Abschnitt über die Fusion auf Merkmalsebene führt auch hier die Fusion zu keiner<br />
Verbesserung gegenüber der fusionslosen Suche in Handschriftdaten. Da für die multialgorithmische<br />
Fusion auf der Vergleichsebene, wie auch auf der Merkmalsebene, ausschließlich<br />
die Merkmalstypen der lokalen Schriftrichtung und -krümmung in Frage kommen, kann vermutet<br />
werden, das die Gründe für die schlechten Resultate dieselben sind wie im Abschnitt<br />
zuvor für die Fusion auf der Merkmalsebene.<br />
Analog zur Multi-Sample-Fusion auf der Vergleichsebene ist auch hier zu beobachten, dass<br />
zumeist die Fusionierung mittels Durchschnittbildung zu besseren Ergebnissen führt als die<br />
Minimum- oder Maximumfunktion. Zwischen den beiden letzteren Funktionen gibt es jedoch<br />
keine klar Bessere, wie beispielsweise in Abbildung 9.9 oder in Anhang D.3.2 erkennbar ist.<br />
9.3.3 Fusion auf Entscheidungsebene<br />
Im Gegensatz zur multialgorithmischen Fusion auf Merkmals- und Vergleichsebene können<br />
auf der Entscheidungsebene diverse Einzelsysteme, unabhängig <strong>von</strong> ihrem Merkmalstyp und<br />
ihrer jeweiligen Parametrisierung, miteinander fusioniert werden. Anders als die bisher betrachteten<br />
Fusionsstrategien existiert für die multialgorithmische Fusion auf der Entscheidungsebene<br />
jedoch kein einzelner Ähnlichkeitsschwellwert, in dessen Abhängigkeit die Precision<br />
und der Recall bestimmt werden kann. Stattdessen existiert für jedes in die Fusion<br />
einbezogene Einzelsystem ein eigener Schwellwert. Dies führt dazu, dass für ein solchermaßen<br />
fusioniertes Gesamtsystem keine Precision-Recall-Kurve angegeben werden kann, wie<br />
dies in Abschnitt 8.3.2 diskutiert und anhand der Abbildungen 8.7 und 8.8 illustriert wurde.<br />
ioPen DigiMemo Notes Taker<br />
F1 ∆F1 F1 ∆F1 F1 ∆F1<br />
Quadratgitter (wg � = 7) 0.859 0.914 0.741<br />
Quadratgitter (wg = 7) ∪<br />
�<br />
Dreiecksgitter (wg = 7)<br />
△<br />
Quadratgitter (wg = 7) ∪<br />
�<br />
Schriftrichtung (w = 7,q = 12)<br />
Quadratgitter (wg = 7) ∪<br />
�<br />
Schriftkrümmung (w = 7,q = 14)<br />
Quadratgitter (wg = 7) ∪<br />
�<br />
Schriftneigung (q = 17)<br />
0.871 +0.012 0.928 +0.014 0.758 +0.017<br />
0.876 +0.017 0.930 +0.016 0.763 +0.022<br />
0.859 ±0.000 0.922 +0.008 0.730 -0.011<br />
0.864 +0.005 0.922 +0.008 0.751 +0.010<br />
Tabelle 9.10: F1-Werte für die multialgorithmische Fusion auf der Entscheidungsebene sowie<br />
Differenzen gegenüber unfusionierten Quadratgittermerkmalen<br />
131