Graphische Modelle verbinden die Wahrscheinlichkeits- und die Graphentheorie. Dadurch können Probleme intuitiv erfasst und häufig mit geringer Rechenkomplexität gelöst werden. In dieser Arbeit wird untersucht, wie Graphische Modelle für verschiedene Mustererkennungsprobleme verwendet werden können: Zur Erkennung von Schnitten und Szenen in Videos wird ein zweistufiges Modell entwickelt. Benutzereingaben werden mit einem asynchronen Modell fusioniert. Um Aktionen in Konferenzen aus fehlerbehafteten Daten zu erkennen, wird ein Hidden Markov Modell mit einem linearen dynamischen System verbunden. Für einen automatischen Zusammenschnitt von Konferenzvideos werden Modelle, die Daten segmentieren und klassifizieren können, verwendet und Trainingsstrukturen entworfen. Die entwickelten Modelle werden analysiert, Berechnungs- und Lernalgorithmen abgeleitet, die Erkennungsleistungen evaluiert und mögliche Erweiterungen aufgezeigt.     «

Graphische Modelle verbinden die Wahrscheinlichkeits- und die Graphentheorie. Dadurch können Probleme intuitiv erfasst und häufig mit geringer Rechenkomplexität gelöst werden. In dieser Arbeit wird untersucht, wie Graphische Modelle für verschiedene Mustererkennungsprobleme verwendet werden können: Zur Erkennung von Schnitten und Szenen in Videos wird ein zweistufiges Modell entwickelt. Benutzereingaben werden mit einem asynchronen Modell fusioniert. Um Aktionen in Konferenzen aus fehlerbehaf...     »

Graphical Models are a combination of probability and graph theory. They allow a unified view on various problems and provide low-complexity algorithms for probabilistic inference. This work investigates how Graphical Models can be used for different pattern recognition tasks: for the combined recognition of shot boundaries and scene changes in videos a two-layer model is developed. Bimodal user inputs are fused with an asynchronous model. For the robust recognition of group actions in meetings from disturbed data a Hidden Markov Model is combined with a linear dynamical system. To automatically edit conference videos, different models for segmentation and classification are presented and special training structures are designed. For each developed model inference and learning algorithms are derived and theoretically analysed. The recognition performance of all proposed models is evaluated and possible extensions are shown.     «

Graphical Models are a combination of probability and graph theory. They allow a unified view on various problems and provide low-complexity algorithms for probabilistic inference. This work investigates how Graphical Models can be used for different pattern recognition tasks: for the combined recognition of shot boundaries and scene changes in videos a two-layer model is developed. Bimodal user inputs are fused with an asynchronous model. For the robust recognition of group actions in meetin...     »