Dieser Audiobeitrag wird von der Universität Erlangen-Nürnberg präsentiert.
Wir wollen die Abwechslung von Pointen in einem unbekannten Raum entgegenhalten.
Wir wollen diese Pointe in einem höheren, definierten Raum entgegenstellen,
in einem gewissen D-Dimension, in dem wir die Abwechslung von Pointen
in einer höheren, definierten Raum entgegenstellen.
Wir wollen, dass die Abwechslung von diesen Features oder diese Abwechslungen
die Abwechslung von Pointen entgegenstellen.
Wenn du mir sagst, dass du fünf Punkte ausgesucht hast,
dann gibst du mir die 5 x 5 Abwechslung mit den Nullen auf dem Diagonal mit einer Auswechslung.
Ich werde dich fragen, was für eine Abwechslung du haben möchtest.
Er sagt, dass er einen unbekannten Sub-Spacen haben möchte.
Wir wollen, dass wir diese Pointe in einem unbekannten Sub-Spacen finden,
das die Abwechslung mehr oder weniger entgegenhält.
Die Abwechslung bedeutet, dass wir so nahe wie möglich die originalen Abwechslungen bekommen.
Also 5,3, multidimensionales Abwechslungen, das ist so, wie es heißt.
Wir hatten hier Beijing, Beijing, was?
B, E, I, J, okay, ich schreibe es so.
Das lustige ist, dass wir mit der Universität kollaborieren,
mit der Peking-Universität, ich nenne sie Peking.
Dann hatten wir Rio, dann Dresden, dann hatten wir dieses genieße Islam.
Ist das richtig?
Nein, aber es klingt besser.
Gut, und jetzt brauchen wir die Abwechslungen.
Haben Sie Ihre eigenen Arbeit gemacht?
Ja, ich habe die Arbeit gemacht.
Das ist cool.
Das kann nicht sein.
Es sollte symmetrisch sein.
17.000, sind Sie sicher?
Ja, ich bin sicher.
Es sollte symmetrisch sein,
auch wenn wir das Gefühl haben, dass die Abwechslung von hier nach München
kleiner ist als von München nach Erlangen.
Aber es ist immer symmetrisch, wenn Sie die gleiche Abwechslung nehmen.
Was ist die Abwechslung?
Dresden, Beijing, wer ist von Dresden?
Dresden ist ein ganzer Teil der Kilometer.
Okay, gib mir ein Nummer.
20.000.
20.000?
Okay, haben Sie die Abwechslung von Dresden und Rio?
17.000?
Von wo her?
17.000 ist ein sehr guter Gesamtwert.
Gut, es soll nicht zu hart arbeiten.
Wir haben diese Abwechslungen.
Wir wissen, dass diese Städte auf einer Sphäre leben.
Wir haben diese Abwechslungen.
Wir wollen diese Städte auf einer 2D-Planenmache mapieren,
während wir die Abwechslungen behalten.
Presenters
Zugänglich über
Offener Zugang
Dauer
01:30:01 Min
Aufnahmedatum
2015-06-16
Hochgeladen am
2015-06-16 14:33:41
Sprache
en-US
This lecture first supplement the methods of preprocessing presented in Pattern Recognition 1 by some operations useful for image processing. In addition several approaches to image segmentation are shown, like edge detection, recognition of regions and textures and motion computation in image sequences. In the area of speech processing approaches to segmentation of speech signals are discussed as well as vector quantization and the theory of Hidden Markov Models.
Accordingly several methods for object recognition are shown. Above that different control strategies usable for pattern analysis systems are presented and therefore also several control algorithms e.g. the A(star) - algorithm.
Finally some formalisms for knowledge representation in pattern analysis systems and knowledge-based pattern analysis are introduced.