Learning by Association: Strategies for solving computer vision tasks with less labeled data

Häusser, Philip

User: Guest

Philip Häusser

If you experience problems opening the document, please try this link.

Original title:: Learning by Association
Original subtitle:: Strategies for solving computer vision tasks with less labeled data
Translated title:: Assoziatives Lernen
Translated subtitle:: Strategien um Aufgaben in der Bildverarbeitung mit weniger annotierten Daten zu lösen
Author:: Häusser, Philip
Year:: 2018
Document type:: Dissertation
Faculty/School:: Fakultät für Informatik
Advisor:: Cremers, Daniel (Prof. Dr.)
Referee:: Cremers, Daniel (Prof. Dr.); Brox, Thomas (Prof. Dr.)
Language:: en
Subject group:: DAT Datenverarbeitung, Informatik
Keywords:: neural networks, deep learning, machine learning, computer vision, optimization, association, semi-supervised, domain adaptation, clustering
Translated keywords:: Neuronale Netze, deep learning, Mac, computer vision, optimization, association, semi-supervised, domain adaptation, clustering
TUM classification:: DAT 760d; DAT 770d
Abstract:: Neural networks usually require vast amounts of labeled training data. In this dissertation, we propose an approach to solve this problem: "Learning bay Association". This training schedule is suitable for any embedding learning task such as classification, domain adaptation or clustering. The key idea is to “associate” training examples for which labels are known with unlabeled examples. A novel cost function facilitates state-of-the-art results with significantly less labeled training data.
Translated abstract:: Neuronale Netzwerke erfordern in der Regel große Mengen an annotierten Trainingsdaten. In dieser Dissertation stellen wir einen Lösungsansatz vor: "Assoziatives Lernen". Dieses Verfahren eignet sich für jede Aufgabe, bei der Darstellungen gelernt werden: Klassifizierung, Domänenanpassung oder Clustering. Die Kernidee ist es, annotierte Daten mit solchen ohne Beschriftung zu "assoziieren". Eine neue Kostenfunktion ermöglicht erstklassige Ergebnisse mit deutlich weniger annotierten Trainingsdaten.
WWW:: https://mediatum.ub.tum.de/?id=1444880
Date of submission:: 26.06.2018
Oral examination:: 19.12.2018
File size:: 21859937 bytes
Pages:: 89
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-21081219-1444880-1-7
Last change:: 19.02.2019
BibTeX