Koordination: Martin Langner (Universität Göttingen), Karsten Tolle (Goethe-Universität Frankfurt a.M.) martin.langner[at]phil.uni-goettingen.de, tolle[at]dbis.cs.uni-frankfurt.de

Themenbeschreibung

Bei der Mustererkennung geht es um die automatisierte Erkennung von Mustern (pattern recognition) in gegebenen Daten. Sie ist Grundlage vieler Methoden und Algorithmen der Bereiche wie: Computer Vision, Künstliche Intelligenz, Maschinelles Lernen oder Data Mining. Oft werden diese Begriffe auch als Synonym für die Mustererkennung genutzt, auch wenn dies nicht immer ganz richtig ist.

Eine freie Übersetzung der Definition der Mustererkennung nach Christopher M. Bishop: „Das Gebiet der Mustererkennung befasst sich mit der automatischen Erkennung von Regelmäßigkeiten in Daten mithilfe von Computeralgorithmen und mit der Verwendung dieser Regelmäßigkeiten, um Maßnahmen wie die Klassifizierung der Daten in verschiedene Kategorien zu ergreifen.“

Es handelt sich hierbei um ein interdisziplinäres Thema, bei welchem das Zusammenspiel zwischen den Domain-Expert*innen (Archäologie) und Informatiker*innen eine wichtige Rolle spielt.

Durch verschiedene Fortschritte der Hardware, aber auch der voranschreitenden Veröffentlichung von Daten (siehe Sektion: Kuratierung von Daten, Normdaten, Linked Open Data und Ontologien), erfährt das Gebiet der Mustererkennung aktuell einen Hype, was mitunter Probleme mit sich bringt: a) es überschlagen sich die Entwicklungen, so dass diese nur schwer überblickt werden können, b) es kann eine Überbewertung der Möglichkeiten bzw. eine Unterschätzung der Gefahren vorkommen und c) eine geisteswissenschaftliche Diskussion über den Nutzen der Mustererkennung hat gerade erst begonnen, obwohl Klassifikation und Typologie lange etablierte Ansätze der Bild- und Objektwissenschaften sind. Diese Probleme können schnell eine ablehnende Haltung gegenüber den Neuerungen erzeugen, auch wenn klar sein sollte, dass durch wachsende Datenmengen ein Verzicht langfristig unmöglich ist.

Insbesondere Deep Learning Ansätze sind hier noch einmal erwähnenswert, da deren Ergebnisse oft nicht erklärbar (black-box) sind! Es ist eine grundsätzliche Frage, wie mit Ergebnissen aus solchen Black-Box- Verfahren umzugehen ist, die auch durch die Forschenden beantwortet werden muss. Dies zeigt auch direkt, dass bei der technischen Entwicklung neben der Informatik die Domain-Expert*innen für den gesamten Prozess und die Interpretation der Ergebnisse unerlässlich sind.

Ziel der Sektion ist es vor allem, diese (und weitere) Probleme zu entschärfen. Im Fokus stehen daher folgende Punkte:

• Aufklärung für Forschung und Lehre (siehe auch Sektion: Lehre)

• Erfahrungsaustausch zum Einsatz: Was geht? Was ging schief?

• Vermeidung von Bias, insbesondere: Worauf ist zu achten beim Erstellen der verwendeten Daten?

• Welche Verfahren der Annotation von Bildern sind geeignet?

• Wie sollten Ergebnisse aus der Mustererkennung publiziert werden (Reproduzierbarkeit)?

• Wie ist dies möglich, falls die Daten nicht öffentlich publiziert werden können (Lizenzen)? (siehe auch Sektion: Methodenreflexion und Theorie)

• …

Anwendungsbeispiele:

LiDAR Daten – Erkennen von Strukturen

Vasen – Zuweisung von Malern, Motiven, Stilen: Egraphsen, Iconographics

Münzbilder – Erkennung von Personenabbildern, Klassifizieren (Maschinelles Lernen angewendet auf Bilder antiker Münzen, Automatisierte Bilderkennung von Monogrammen mit OpenCV, Kombination maschineller Lernmethoden der Bild- und Texterkennung auf antiken Münzdaten)

Automatisches Klassifizieren von Typen, z.B. bei Terra Sigillata (ArchAIDE), Terrakotten oder Kaiserporträts (Object-Mining: Schemata)