Einführung in die Informationsfusion

Bei zahlreichen Aufgaben der Informationsgewinnung ist es nicht möglich, die interessierenden Eigenschaften einer Szene bzw. eines Prozesses vollständig und robust mit einem einzigen Sensor bzw. einer einzigen Informationsquelle zu erfassen. In solchen Fällen besteht eine vielversprechende Möglichkeit darin, mehrere Sensoren einzusetzen, die unterschiedliche Aspekte der Szene erfassen. Die Sensorcharakteristik kann sich z.B. beim Einsatz von Kameras bezüglich des Beobachtungsstandorts und der Beobachtungszeit, aber auch in der spektralen Empfindlichkeit unterscheiden. Die Verwendung heterogener Sensoren mit unterschiedlichen Sensorprinzipien erlaubt die Auswertung mehrerer physikalischer Eigenschaften der Szene. Darüber hinaus kann auch nicht-sensorische Information (z.B. in Form von a-priori-Wissen oder physikalischen Modellen) verfügbar sein, die bei der Bestimmung interessierender Szeneeigenschaften zu berücksichtigen ist.

Aktuelles

Aktuelle Studien- und Diplomarbeiten sowie HiWi-Jobs zum Thema Informationsfusion.

Inhalt der Vorlesung

Aufgabe der Informationsfusion ist es, die von unterschiedlichen Sensoren und Informationsquellen stammende Information zusammenzuführen. Dazu muss die Information aus unterschiedlichen Quellen zunächst verlustarm in eine kompatible Beschreibung transformiert werden, was auf unterschiedlichen Abstraktionsniveaus ablaufen kann. Anschließend erfolgt die eigentliche Fusion als Überlagerung der aufbereiteten Informationen aus den einzelnen Quellen.

Diese Vorlesung führt in Konzepte, Architekturen und Verfahren der Informationsfusion ein. Mathematische Konzepte zur Verknüpfung von Sensordaten und Informationen aus unterschiedlichen Quellen werden dargestellt.

Material zur Vorlesung

Die Vorlesungsmaterialien werden semesterbegleitend zur Verfügung gestellt. Die mit "Vorschau" gekennzeichneten Materialien werden an den nächsten Terminen vorgestellt.

Zum Download der Dateien benötigen Sie Benutzernamen und Kennwort, die in der Vorlesung genannt werden.

 

    Größe Stand
Kapitel 1 Einleitung 13,7 MB 10.11.15
Kapitel 2 Probabilistische Methoden 2,7 MB 15.12.15
Kapitel 3 Dempster-Shafer-Theorie 0,3 MB 25.01.16
Kapitel 4 Fuzzy-Systeme 0,3 MB 25.01.16
Kapitel 5 Neuronale Netze 0,2 MB 25.01.16
Kapitel 6 Registrierung 2,5 MB 25.01.16
Kapitel 7 Energiefunktionale 0,2 MB 25.01.16
       
Übung 1 Aufgaben
Lösungen		  

01.12.15
22.03.16
Übung 2 Aufgaben
Lösungen		  

25.01.16
22.03.16
Übung 3 Aufgaben
Lösungen		  

25.01.16
22.03.16

 

Literaturliste zur Vorlesung.

Bewertungen der Vorlesung