Askinadze, AlexanderRitter, NorbertHenrich, AndreasLehner, WolfgangThor, AndreasFriedrich, SteffenWingerath, Wolfram2017-06-302017-06-302015978-3-88579-636-7Die stetig steigende Anzahl von Bildern erfordert Verfahren zur maschinellen Annotation. Um automatisch semantische Informationen aus den Bildern zu extrahieren, repräsentieren wir die Bilder durch numerische Vektoren, sogenannte BoW- Histogramme und klassifizieren diese auf vorgegebene Klassen. Als Klassifikatoren werden Nearest-Centroid (NC) und Support Vector Machine (SVM) eingesetzt. Auf der Caltech 101 Bilder-Datenbank liefert der SVM-Klassifikator mit dem empfohlenen RBF-Kernel bessere Ergebnisse als der NC-Klassifikator mit der Euklidischen Distanz. Wir vergleichen verschiedene Distanzfunktionen wie z.B. die Bhattacharyyaund Hellinger-Distanz und zeigen, wie sich die Mahalanobis-Distanz für eine Modifikation des NC-Klassifikators nutzen lässt. Nach einer Evaluation folgern wir, dass der NC-Klassifikator mit anderen Distanzfunktionen die SVM-Ergebnisse erreichen kann und eine Normierung der BoW-Histogramme sich ebenfalls positiv auswirkt. Außerdem zeigen wir, dass sich die Ergebnisse des SVM-Klassifikators signifikant durch den Einsatz des Chi-Quadratund Histogrammschnitt-Kernels verbessern können.deText/Conference Paper1617-5468