Machine Learning in der Entwicklung von Fahrerassistenzsystemen
Seite 2: Positiv- und Negativbeispiele
In der Forschung und Entwicklung kamerabasierter Fahrerassistenzsysteme sind die Trainingsbilddaten unterteilt in Positivbeispiele, die das zu erwartende Objekt enthalten, und Negativbeispiele, die es nicht erhalten. Eine Merkmalsrepräsentation ist ein mathematisches Mittel, Charakteristiken aus Bildern zu extrahieren und das Objekt möglichst genau und robust gegenüber Veränderungen in der Gestalt, Witterung, Beleuchtung und der Verkehrssituation zu beschreiben.
Der Algorithmus erhält folglich als Eingabe Trainingsbeispiele, Labels und Merkmale, um Charakteristiken aus den Bildern zu extrahieren (s. Abb. 2).
Als Rückgabe liefert er einen sogenannten Klassifikator. Letzterer enthält die bestmögliche Charakteristik, um die gewünschten Objekte erkennen zu können.
Überwachtes und unüberwachtes Lernen
Stuart Russel teilt Machine Learning in zwei Kategorien ein: überwachtes Lernen, auch "Lernen mit einem Lehrer" genannt, und unüberwachtes Lernen, "Lernen ohne einen Lehrer".
- Überwachtes Lernen: Der Algorithmus lernt mit gelabelten Trainingsbeispielen. Er versucht, aus allen Trainingsbeispielen Gesetze und Muster zu extrahieren und das resultierende Wissen auf neue Daten zur Vorhersage des Labels anzuwenden. Typische Methoden sind Support Vector Machines, Naive Bayes, Neuronale Netze, Random Forest und Boosting-Algorithmen.
- Unüberwachtes Lernen: Der Algorithmus lernt mit nicht gelabelten Trainingsbeispielen. Das Hauptziel ist es, eine Struktur zu finden, die die Trainingsdaten optimal beschreibt und in verschiedene Teilmengen kategorisiert. Typische Methoden sind die Hauptkomponentenanalyse und der Expectation-Maximization-Algorithmus.
Daneben existieren weitere Kategorien wie teilüberwachtes Lernen, bei dem eine Mischung aus Trainingsdaten mit und ohne Labels vorliegt. Eine weitere Unterscheidungsmerkmal von ML-Algorithmen sind generative und diskriminierende Modelle:
- Generative Methoden lernen die gemeinsame Wahrscheinlichkeitsverteilung P(x,y) und basieren auf einem Wahrscheinlichkeitsmodell, das aus Trainingsdaten geschätzt wird.
- Diskriminierende Methoden lernen die bedingte Wahrscheinlichkeitsverteilung P(y|x) und bauen einen Klassifikator auf, der zwischen zwei oder mehreren Klassen unterscheidet.
