Benutzer: Gast  Login
Originaltitel:
Connectionist Models for Learning Local Image Descriptors: An empirical case study 
Übersetzter Titel:
Connectionistische Modelle lernen kompakte Repräsentationen für Bildausschnitte: Eine empirische Untersuchung 
Jahr:
2016 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Informatik 
Betreuer:
van der Smagt, Patrick (Prof. Dr.) 
Gutachter:
van der Smagt, Patrick (Prof. Dr.); Schmidhuber, Jürgen (Prof. Dr.) 
Sprache:
en 
Fachgebiet:
DAT Datenverarbeitung, Informatik 
Stichworte:
deep learning, convolutional networks, graphical models 
Übersetzte Stichworte:
tiefe Modelle, Konvolutionsnetze, graphische Modelle 
TU-Systematik:
DAT 708d; DAT 815d 
Kurzfassung:
This thesis demonstrates that supervised as well as unsupervised Neural Network-based approaches can learn compact descriptors for local image patches. Additionally it is shown that Explicit Negative Contrasting improves multi-view graphical models. Also, Hobbesian Networks are introduced, utilizing differential equations to induce deep models. Finally, vaeRIM combines variational inference with unsupervised clustering in a novel way. 
Übersetzte Kurzfassung:
Diese Arbeit zeigt, dass sowohl überwachte als auch unüberwachte Neuronale Netzwerkarchitekturen kompakte Repräsentationen für kleinteilige Bildausschnitte lernen können. Außerdem werden drei algorithmische Entwicklungen vorgestellt: Explicit Negative Contrasting verbessert multi-modale graphische Modelle. Hobbes'sche Netze induzieren tiefe Architekturen mittels Differentialgleichungen und vaeRIM kombiniert variationelle Inferenz mit unüberwachtem Clustering. 
Mündliche Prüfung:
15.06.2016 
Dateigröße:
8954179 bytes 
Seiten:
285 
Letzte Änderung:
03.08.2016