Boundarybasierte

Boundarybasierte Ansätze beziehen sich auf Verfahren, die Grenzlinien oder -flächen zwischen Kategorien, Regionen oder Zuständen als zentrale Struktur verwenden. In der Mustererkennung und dem maschinellen Lernen bedeutet dies oft, dass die Zuordnung oder Identifikation durch eine Entscheidungsgrenze erfolgt, die in einem Merkmalsraum definiert wird. Typisch sind Klassifikatoren, die eine bzw. mehrere Grenzen ziehen, wie zum Beispiel Support Vector Machines, die eine maximale Randgrenze zwischen Klassen optimieren.

In der Bildverarbeitung bezeichnet boundary-based segmentation Systeme, die Objekte primär über deren Randlinien extrahieren und Grenzen zwischen Regionen verwenden, im Gegensatz zu rein regionenbasierten Ansätzen. In der Geoinformationsverarbeitung werden Grenzlinien genutzt, um unterschiedliche Gelände- oder Nutzungszonen zu trennen.

Vorteile boundarybasierter Ansätze bestehen in einer relativ guten Interpretierbarkeit der Entscheidung, einer einfachen Visualisierung der Grenzen und oft guter Generalisierung, sofern klare Grenzzüge existieren. Nachteile ergeben sich aus der Anfälligkeit gegenüber Überanpassung, Schwierigkeiten bei ungleichen Klassenverteilungen oder verrauschten Daten, sowie bei komplexeren Strukturen, die sich nicht gut durch einfache Grenzen beschreiben lassen.

Typische Beispiele sind SVMs mit linearer oder nichtlinearer Trennung, boundary-basierte Segmentation in der medizinischen Bildgebung und weitere Mustererkennungsverfahren, die auf Entscheidungsgrenzen basieren. Der Begriff ist kontextabhängig und wird in verschiedenen disciplinären Kontexten unterschiedlich verwendet. Siehe auch Entscheidungsgrenze, Grenzfläche, Segmentierung.