Neural learning methods for visual object detection

Die Arbeit verfolgt praxisorientierte sowie grundlagenorientierte Aspekte zur Optimierung von Objekterkennungssystemen durch die Weiterentwicklung evolutionärer und neuronaler Verfahren. Es wird der Einsatz neuronaler Klassifikatoren im Rahmen eines Echtzeit-Autoerkennungssystems dargestellt sowie ein systematisches Verfahren zur evolutionären Mehrziel-Strukturanpassung neuronaler Klassifikatoren entwickelt. Weiterhin wird ein lernfähiges Salienzkartenmodell präsentiert, um initiale Objektdetektion in Analogie zu Mechanismen selektiver visueller Aufmerksamkeit zu lösen. Das Modell ist anhand von Beispielen trainierbar; Wettbewerbsmechanismen sind vollständig dynamisch formuliert. Schließlich wird Echtzeit-Objekterkennung präsentiert, welche auf Ganzbildsuche mit einem neuen Typ von Faltungsnetzwerk (CNN) basiert. Ein hybrides überwacht/unüberwachtes Verfahren wird benutzt, um systematisch geeignete Merkmale sowie die korrekte Klassifikationsentscheidung aus den Bilddaten zu lernen.

Metadaten
Author:	Alexander Rainer Tassilo Gepperth GND
URN:	urn:nbn:de:hbz:294-17057
Referee:	Gregor Schöner ORCiD GND, Christoph von der Malsburg GND
Document Type:	Doctoral Thesis
Language:	English
Date of Publication (online):	2006/08/29
Date of first Publication:	2006/08/29
Publishing Institution:	Ruhr-Universität Bochum, Universitätsbibliothek
Granting Institution:	Ruhr-Universität Bochum, Fakultät für Physik und Astronomie
Date of final exam:	2006/07/05
Creating Corporation:	Fakultät für Physik und Astronomie
GND-Keyword:	Szenenanalyse; Visuelle Aufmerksamkeit; Evolutionary programming; Überwachtes Lernen; Unüberwachtes Lernen
Institutes/Facilities:	Institut für Neuroinformatik
Dewey Decimal Classification:	Naturwissenschaften und Mathematik / Physik
faculties:	Fakultät für Physik und Astronomie
Licence (German):	Keine Creative Commons Lizenz - es gelten der Veröffentlichungsvertrag und das deutsche Urheberrecht

RUB » Bibliotheksportal