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