MENÜ MENÜ  

cover

Probabilistische Zustandsschätzung und Aktionsauswahl im Rechnersehen

Joachim Denzler

ISBN 978-3-8325-0418-2
296 Seiten, Erscheinungsjahr: 2004
Preis: 39.00 €
Innerhalb des Bereichs des maschinellen Sehens, im speziellen im aktiven Sehen, erlangen rückgekoppelte Sensor-/Aktorsysteme immer größere Bedeutung.
Beispiele sind die aktive Selbstlokalisation in der visuellen Navigation von autonomen mobilen Systemen, die wissensbasierte Szenenexploration sowie die gezielte, optimale Ansichtenauswahl zur Unterscheidung ähnlicher Objekte bei der Objekterkennung.

Dieses Buch behandelt zwei wichtige Aspekte der maschinellen Verarbeitung von Sensorinformation: die Schätzung des Zustands aus der (gestörten) Beobachtung von Sensordatenfolgen sowie die optimale Aktionsauswahl aufgrund der (fehlerbehafteten) Schätzung über den Zustand. Im ersten Teil des Buches werden klassische Verfahren zur Zustandsschätzung von deterministischen sowie von stochastischen Systemen, das Kalman-Filter und Ansätze aus dem Bereich der Partikel Filter vorgestellt. Der zweite Teil beschäftigt sich mit Methoden, die Sensordatenaufnahme durch Aktionen gezielt zu beeinflussen. Ausgehend von Markov-Modellen werden Verfahren aus dem Bereich Reinforcement Learning vorgestellt, eine Lernstrategie zur Optimierung von Markov Modellen und partiell beobachtbaren Markov Modellen, sowie ein informationstheoretisches Vorgehen zur Aktionsauswahl basierend auf dem MMI-Prinzip (maximum mutual information). Die Vorstellung von Verfahren zur Sensordatenfusion und zur Zustandsschätzung mittels bildbasierter Modelle rundet dieses Buch ab.

Jedes Kapitel dieses Buches schließt mit konkreten Beispielen aus dem Bereich des Rechnersehens und wendet sich somit sowohl an Studierende mit Vertiefungsgebiet Bildverarbeitung als auch an Forscher und Systementwickler in der Industrie.

Keywords:
  • Informatik
  • Bildverarbeitung
  • Rechnersehen
  • Aktives Sehen
  • Robotik

KAUFOPTIONEN

39.00 €
Nur noch 2 Ex. auf Lager
Versandkostenfrei innerhalb Deutschlands
cover cover cover cover cover cover cover cover cover