Ressourcenoptimierte Objektdetektion und teilüberwachtes Lernen zur Echtzeitanwendung mit konfidenzbasierten, kaskadierten Klassifikationssystemen

Die Arbeit beschäftigt sich mit maschinellen Lernverfahren zur echtzeitfähigen bildbasierten Objektdetektion wobei ein Datensatz mit anspruchsvollen unterschiedlichen amerikanischen Verkehrsschildern verwendet wird und in Kraftfahrzeugen zur Erkennung der erlaubten Höchstgeschwindigkeiten eingesetzt wird. Der Fokus liegt auf vollständig automatisierten Trainingsmechanismen für kaskadierte Klassifikationssysteme, wobei ein neues Verfahren zur Fusion konfidenzbasierter Stufenklassifkatoren basierend auf der Kalkulation der individuellen Wahrscheinlichkeiten vorgestellt wird. Anhand von Konfidenzwerten wird außerdem ein teilüberwachtes Lernverfahren zur Echtzeitobjektdetekion vorgestellt, denn bei großen Datenmengen werden zum einen vom Menschen Objekte bei der Generierung des Lerndatensatzes "übersehen", die in den Hintergrundbeispielen auftauchen und zum Anderen können dort strukturell ähnliche Beispiele enthalten sein, mit denen sich die Klassifikationsleistung steigern lässt, indem sicher klassifizierte Negativbeispiele vom Klassifikator selbst "umdefiniert" werden. Ausserdem wird ein von den Frequenzeigenschaften der Merkmale abhängiges "coarse to fine" Trainings- und Detektionsverfahren vorgestellt, das integralbildbasierte Strukturtensormerkmale verwendet. Für die Stufenklassifikatoren werden Ensembleverfahren verwendet, wobei außer dem AdaBoost-Verfahren ein neues konfidenzbasiertes Stackingverfahren vorgestellt wird, mit dem auf dem Testdatensatz die besten Klassifikationsergebnisse erzielt werden