Maschinelles Lernen für die Adaption von Parametern in Bildverarbeitungssystemen

Die Fähigkeit des Menschen, zu lernen und sich damit immer wieder neuen Situationen anpassen, ist ein wesentlicher Bestandteil menschlicher Intelligenz. Diese Fähigkeit auf eine Maschine zu übertragen, gehört zu den größten Herausforderungen der Künstlichen Intelligenz.In diesem Buch wird ein System beschrieben, welches verschiedene Ansätze zum maschinellen Lernen nahtlos miteinander verbindet. Aufgrund von Aktionen, die im Zuge einer konkreten Problemlösung durchgeführt werden, werden Erfahrungen gesammelt, die gezielt eingesetzt werden, um das vom System verwaltete Wissen zu korrigieren und zu erweitern. Hierzu werden die Paradigmen deduktiver, induktiver und heuristischer Lernverfahren auf verschiedene Wissenstransformationsschritte abgebildet, die dann situationsspezifisch so eingesetzt werden können, daß ein bestmöglicher Lerneffekt erzielt wird.Die Einsatzmöglichkeiten dieses Systems werden anhand von SOLUTION demonstriert, einem wissensbasierten Konfigurationssystem für Bildverarbeitungssysteme, welches u.a. explizites Wissen in Form von Regeln verwendet, um die Parameter mehrerer Bildverarbeitungsoperatoren so einzustellen, daß eine optimale Problemlösungim Sinne einer vorgegebenen Aufgabenstellung ermöglicht wird. Einen vollständigen und allgemeingültigen Regelsatz aufzustellen, der für beliebiges Bildmaterial und jede mögliche Problemstellung eine optimale Lösung erlaubt, ist nicht möglich, da die Wirkungsweise der Operatoren in hohem Maße Bild- und Aufgabenabhängig ist. Um die Arbeit eines Bildverarbeitungsexperten in der Praxis zu erleichtern bzw. sogar teilweise durch einen automatischen Mechanismus zu ersetzen, ist es daher wünschenswert, solche Regelsätze mit Hilfe eines maschinellen Lernverfahrens zu erzeugen. Diese Arbeit versucht, hierzu einen Beitrag