User: Guest  Login
Original title:
Connectionist Models for Learning Local Image Descriptors: An empirical case study 
Translated title:
Connectionistische Modelle lernen kompakte Repräsentationen für Bildausschnitte: Eine empirische Untersuchung 
Year:
2016 
Document type:
Dissertation 
Institution:
Fakultät für Informatik 
Advisor:
van der Smagt, Patrick (Prof. Dr.) 
Referee:
van der Smagt, Patrick (Prof. Dr.); Schmidhuber, Jürgen (Prof. Dr.) 
Language:
en 
Subject group:
DAT Datenverarbeitung, Informatik 
Keywords:
deep learning, convolutional networks, graphical models 
Translated keywords:
tiefe Modelle, Konvolutionsnetze, graphische Modelle 
TUM classification:
DAT 708d; DAT 815d 
Abstract:
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. 
Translated abstract:
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. 
Oral examination:
15.06.2016 
File size:
8954179 bytes 
Pages:
285 
Last change:
03.08.2016