PhD Thesis Semi-Supervised Ensemble Methods for Computer Vision

Kurzfassung
Visuelle Objekterkennung und -verfolgung gehören zu den wichtigsten Aufgaben der
Computer Vision. Für beide Problemstellungen gibt es eine grosse Anzahl praktischer
Anwendungen, beide sind jedoch weit davon entfernt als gelöst betrachtet zu werden.
Die in den letzten Jahren auf diesen Gebieten erreichten Fortschritte basieren meistens
auf der Entwicklung von einerseits besseren Möglichkeiten Objekte zu beschreiben, zum
Beispiel in Form von Mustern oder Merkmalen, und andererseits auf der Entwicklung
und der Anwendung besserer maschineller Lernverfahren. Als Lernalgorithmen werden
meistens vollständig überwachte Methoden verwendet, die üblicherweise eine grosse Anzahl
an hand-gelabelten Daten benötigen um ausreichend akkurate Resultate zu liefern.
Vollständig überwachte Verfahren haben jedoch das Problem, dass es meist schwierig
und sehr aufwändig ist an gelabelte Daten zu gelangen. Ausserdem leben uns biologische
Systeme vor, dass in der Natur Lernen zu einem Grossteil auf der Grundlage von ungelabelten
Daten basiert. Zusätzlich führt die wachsende Anzahl von Bildern im Internet
und in Datenbanken dazu, dass hand-basiertes Labeln von Daten immer schwieriger wird.
Moderne Systeme, die in der Praxis zur Anwendung kommen, benötigen also Algorithmen,
die in der Lage sind, von grossen Mengen an ungelabelten Daten zu lernen. Diese
Überlegungen haben dazu geführt, dass die Forschung im Bereich des maschinellen Lernens
sich in letzter Zeit vermehrt auf die Entwicklung von sogenannten halb-überwachten
Lernverfahren konzentriert. Solche Verfahren sind in der Lage sowohl von einer kleinen
Menge von gelabelten Daten als auch von einer grossen Menge an ungelabelten Daten zu
lernen.
In dieser Doktorarbeit präsentieren wir mehrere neue Methoden des halb-überwachten
Lernens basierend auf sogenannten Ensemble Verfahren, wie zum Beispiel Boosting oder
Random Forests, und zeigen deren Anwendbarkeit auf einer Vielzahl von Computer Vision
Applikationen. Die Motivation sich auf Ensemble Verfahren zu konzentrieren basiert
auf der Tatsache, dass diese Algorithmen sich als sehr effizient erwiesen haben und
bereits in sehr vielen Computer Vision Problemen zur Anwendung kommen. Im er-