Benutzer: Gast  Login
Originaltitel:
Learning Image and Video Representations Based on Sparsity Priors 
Übersetzter Titel:
Lernen von Bild- und Videorepräsentationen unter Annahme von dünn besetzten Datenmodellen 
Jahr:
2017 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Elektrotechnik und Informationstechnik 
Betreuer:
Diepold, Klaus (Prof. Dr.) 
Gutachter:
Diepold, Klaus (Prof. Dr.); Kleinsteuber, Martin (Priv.-Doz. Dr.) 
Sprache:
en 
Fachgebiet:
DAT Datenverarbeitung, Informatik 
TU-Systematik:
DAT 001d 
Kurzfassung:
Sparse representations of data have been observed to contain rich distributed information of the data with respect to specific learning tasks, such as image classification, regression, etc. By taking advantage of such a benefit, the focus of this dissertation is on developing a two-layer representation learning framework that allows disentangling the underlying explanatory factors hidden in sparse representations of image and video data. Such a learning framework has been successfully applied o...    »
 
Übersetzte Kurzfassung:
Spärliche Darstellungen von Daten enthalten ergiebige verteilte Information der Daten in Bezug auf spezifische Lernaufgaben, wie zum Beispiel Bildklassifizierung. Unter Ausnutzung dieser Eigenschaft, befasst sich diese Dissertation mit der Entwicklung eines Frameworks zum Lernen zweistufiger Darstellungen, welche es ermöglicht, die in Bild- und Videodaten verborgenen erklärenden Faktoren zu entflechten. Ein solches Lern-Framework wurde erfolgreich zur Modellierung dynamischer Texturen und für da...    »
 
Mündliche Prüfung:
28.04.2017 
Dateigröße:
13812971 bytes 
Seiten:
148 
Letzte Änderung:
17.05.2017