Ein grundlegendes Forschungsfeld im Bereich der Musterklassifikation sind selbstlernende Klassifikationsverfahren z. B. zur bildbasierten Objekterkennung, die die Erkennungsleistung eines bestehenden Systems, beispielsweise eines neuronalen Netzwerks, hinsichtlich neuer Musterklassen oder neuer Ausprägungen bekannter Musterklassen ohne Eingriff des Menschen erweitern. Hierbei geht es insbesondere um Mechanismen, die das Selbstkonfidenz-Problem, d. h. die Verstärkung von Fehlern des Erkennungssystems beim Selbstlernen, vermeiden. Ein vielversprechender Weg ist die Betrachtung biologisch inspirierter Prinzipien, die neuronale Verbindungen nur dann an neue Ausprägungen von Mustern adaptieren, wenn diese mit großer Sicherheit immer wieder in ähnlicher Form auftreten, während andernfalls eine bleibende Adaption der neuronalen Gewichte bzw. Architektur verhindert wird. Unterstützend können Verfahren zum Training von Klassifikatoren anhand synthetischer Lernbeispiele, die z. B. durch Simulation des Bildaufnahmeprozesses anhand geeigneter Modellannahmen über die zu erkennenden Objekte und das verwendete optische System erzeugt werden, sowie aus dem Kontext des aktiven Lernens bekannte Ansätze auf Basis der Erkennungssicherheit zur Bewertung neuer, unbekannter Lernbeispiele eingesetzt werden. Anwendungen von selbstlernenden Klassifikationsverfahren ergeben sich immer dann, wenn autonome Systeme unter komplexen und zeitlich veränderlichen Umgebungsbedingungen eingesetzt werden sollen, insbesondere zur Erkennung von Objekten in komplexen Szenarien wie z. B. im Straßenverkehr.
Detektion von US-amerikanischen Verkehrszeichen mittels ressourcenoptimierter kaskadierter Perzeptron-Klassifikatoren (Staudenmaier et al., CI 2010).
Selbstlernen von Seitenansichten variabel gekleideter Fußgänger (Mitte und rechts), ausgehend von Vorder- und Rückansichten dunkel gekleideter Fußgänger (links), basierend auf der zeitlichen Kohärenz der Lernbeispiele (Wöhler, Patt. Rec. Lett. 2002).
Reale (links) und synthetische (rechts) Trainingsbeispiele für die Klassifikation von Verkehrszeichen (Hoessler et al., ICVS 2007).
