🚀 go-pugleaf

--------------------------------------------------------------------------

F O R S C H U N G S K O L L O Q U I U M        
KUENSTLICHE INTELLIGENZ

im Wintersemster 00/01 

Dienstag, den 24. Oktober 2000
16.15 - 17.45 Uhr
Raum  FR 0041
Franklinstr. 28/29
D-10587 Berlin

--------------------------------------------------------------------------


LERNEN VON RÄUMLICHEN RELATIONEN UND DEPIKTION RÄUMLICHER SZENEN MIT CAL5
        (Ergebnisse aus einem Studentischen Projekt im SS 2000)

  Farid Banihashemi, Stephan Herrmann, Ming-Ching Hsu, Tim Baermann, 
        Richard Cissée, Daniel Kirsch, Tobias Rapoport
                        (TU Berlin)

In zwei Vorträgen werden Ergebnisse aus einem Studentischen Projekt im
SS 2000  vorgestellt. Ausgangspunkt waren Fragestellungen aus dem DFG
Projekt "SPACE".  Räumliche Situationen werden textuell beschrieben. Nicht 
ausdrücklich gegebene   Relationen sollen inferiert werden und eine
Depiktion der beschriebenen Szene soll generiert werden. In dem
Projekt werden Objekte durch Kreise (Zylinder)   oder Rechtecke
(Quader) repräsentiert. Jedem Objekt wird ein Koordinatensystem
zugeordnet, so daß räumliche Beziehungen durch Transformationsmatrizen
beschrieben werden können. Relationen werden dann definiert durch
Constraints über diesen Matrizen. Diese Constraints sind im
allgemeinen nichtlineare Ungleichungen mit Variablen, so daß die
Constraint Satisfaction nicht  allgemein entscheidbar ist. Deshalb
haben wir mit ML Verfahren zum Lernen der  Relationen
experimentiert. In der Diplomarbeit von Carsten Gips (Vortrag im
letzten Semester) wurde ein Programm entwickelt, mit dem man aus einer
vorgegebenen Menge von räumlichen Relationen, den Objektdefinitionen
und den  Entscheidungsbäumen für die Relationen Depiktionen generieren
kann. 

In diesem Projekt wurden zwei Teilprobleme untersucht.  Das eine
Problem besteht darin, daß bei ML Verfahren immer
Fehlklassifikationen auftreten. Für eine korrekte Depiktion der
beschriebenen  Szene sind aber nicht alle Fehler gleich kritisch: wir
sind eher bereit, eine  Falschklassifikation gegen die Relation
hinzunehmen (d. h. die Relation gilt,  aber der Klassifikator
entscheidet dagegen) als eine Falschklassifikation für  die Relation
(die Relation gilt nicht, aber der Klassifikator entscheidet für  die
Relation). Deshalb wurde untersucht, mit welchen Strategien zur
Erzeugung  von Trainingsdaten und mit welchen CAL5 Parametern man gute
Entscheidungsbäume  finden kann, für die das fälschlicherweise positiv
klassifizierte Gebiet  klein ist.

Beim zweiten Problem geht es darum, daß man zu einer Relation nicht nur ein
zulässiges (durch die Constraints abgedecktes) Gebiet hat, sondern im
allgemeinen auch ein bevorzugtes Gebiet. Das heißt, auch wenn man für die
Relation rechts_von_A ein Gebiet von etwa 90 Grad annimmt, erwartet man, daß
ein Objekt B, das rechts_von_A ist, eher auf der x-Achse von A liegt. Es
werden Verfahren vorgestellt, mit denen man dieses Wissen bei der Erzeugung
von Trainingsdaten für CAL5 und bei der Generierung von Depiktionen
berücksichtigen kann.

------------------------------------------------------------------------

TU Berlin
FG Methoden der Künstlichen Intelligenz
Franklinstr. 28/29, FR 5-8
10587 Berlin

--------------------------------------------------------------------------
--------------------------------------------------------------------------
  Das aktuelle Kolloquiumsprogramm finden Sie im WWW unter 

                http://ki.cs.tu-berlin.de/col.html 
--------------------------------------------------------------------------
--------------------------------------------------------------------------
 

-- 
### Peter Geibel 
### TU Berlin, KI, Sekr. FR 5-8, Franklinstr. 28/29, D-10587 Berlin
### Tel. +49-30-314-25491, Fax +49-30-314-24913
### http://www.cs.tu-berlin.de/~geibel, mailto:geibel@cs.tu-berlin.de