Statistische Extraktion aussagekräftiger Deskriptoren für Objektformen
John C. Russ, PhD, Professor, North Carolina State University
F. Brent Neal, PhD, Forschungswissenschaftler, Milliken & Company
Form ist ein schwer fassbares Konzept. Menschen erkennen viele verschiedene Dinge in ihrer Welt anhand des Vorhandenseins oder Fehlens wichtiger Merkmale, die sie ebenfalls erkennen lernen müssen. Computern beizubringen, Objekte anhand ihrer Form zu klassifizieren oder ihre Korrelation mit ihrer Geschichte oder Leistung zu messen, ist eine klassisch schwierige Aufgabe. Sie ist wichtig in der Forensik, den Naturwissenschaften, im Ingenieurwesen und sogar für „einfache“ Aufgaben wie die optische Zeichenerkennung zum Lesen gedruckter Texte. Dabei kann es um die Identifizierung einer Objektklasse, eines bestimmten Individuums oder eines besonderen Merkmals gehen. Es gibt eine breite Palette mathematischer Messinstrumente, die bestimmte Aspekte der Form charakterisieren können, darunter dimensionslose Verhältnisse, Fourier- oder Wavelet-Koeffizienten, invariante Momente und mehr. Um jedoch herauszufinden, welche dieser Methoden im jeweiligen Fall am geeignetsten oder nützlichsten sind, müssen in der Regel Trainingsdaten gesammelt und statistisch ausgewertet werden. Verschiedene spezifische Anwendungen, darunter natürliche und künstliche Objekte, dienen der Veranschaulichung des Prozesses mithilfe der Diskriminanzanalyse und neuronaler Netze.
