Statistische Extraktion aussagekräftiger Deskriptoren für Objektformen
John C. Russ, Professor an der North Carolina State University
F. Brent Neal, PhD, Forschungswissenschaftler, Milliken & Company
Shape ist ein schwer fassbares Konzept. Menschen erkennen viele verschiedene Dinge in ihrer Welt aufgrund der Anwesenheit oder Abwesenheit von Schlüsselmerkmalen, die sie auch erkennen müssen. Es ist eine klassisch schwierige Aufgabe, Computern beizubringen, Objekte anhand der Form zu klassifizieren oder die Form auf Korrelation mit der Historie oder Leistung zu messen. Es ist in der Forensik, in den Naturwissenschaften, im Ingenieurwesen und sogar "einfachen" Aufgaben wie der optischen Zeichenerkennung für das Lesen gedruckter Texte wichtig. Dabei kann es sich entweder um die Identifizierung einer Objektklasse, einer bestimmten Person oder einer Unterscheidungskraft handeln. Es gibt eine Vielzahl von mathematischen Messwerkzeugen, die bestimmte Aspekte der Form charakterisieren können, einschließlich dimensionsloser Verhältnisse, Fourier- oder Wavelet-Koeffizienten, invarianten Momenten und mehr. Um zu bestimmen, welche davon in einem bestimmten Fall am besten geeignet oder nützlich ist, müssen Sie im Allgemeinen einen Satz Trainingsdaten sammeln und statistisch untersuchen. Eine Vielzahl spezifischer Anwendungen, einschließlich natürlicher und künstlicher Objekte, wird verwendet, um den Prozess anhand von Diskriminanzanalyse und neuronalen Netzen zu veranschaulichen.
