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
- Autor:
- Osendorfer, Christian Anton
- Jahr:
- 2016
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- 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.
- WWW:
- https://mediatum.ub.tum.de/?id=1285460
- Eingereicht am:
- 07.12.2015
- Mündliche Prüfung:
- 15.06.2016
- Dateigröße:
- 8954179 bytes
- Seiten:
- 285
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20160615-1285460-1-0
- Letzte Änderung:
- 03.08.2016
BibTeX