TY  - THES
AB  - Die vorliegende Arbeit beschäftigt sich mit einem speziellen Typ Neuronales Netz, welches sich durch eine hierarchische, vorwärtsgerichtete Topologie auszeichnet. Das Netz imitiert durch eine alternierende Anwendung von Transformationspaaren, bestehend aus Redundanz- und Invarianz-Erzeugung, ein grundlegendes Prinzip der Informationsverarbeitung in biologischen Sehsystemen und lässt sich so zur Lösung praktischer Objekterkennungsaufgaben nutzen. Die Arbeit behandelt neben einer allgemeinen formalen Beschreibung des neuronalen Modells zunächst die Optimierung von Modellparametern mittels eines speziell entwickelten Verfahrens zur Messung der Komplexität von Multiklassen-Datensätzen. Anschließend wird das Modell auf zwei praktische Computer-Vision-Problemstellungen angewendet: die Klassifikation von natürlichen Bildausschnitten und die segmentierungsfreie Multiklassen-Detektion in Vollbildern. Die experimentellen Ergebnisse beruhen auf teilsynthetischen Bilddatensätzen, die durch das Hinzufügen von künstlichen Störungen auf bekannte Datenbanken natürlicher Bilder erzeugt werden. Dabei werden die drei verschiedenen Bilddomänen abgedeckt: handgeschriebene Ziffern, kompakte Objekte und Gesichter. Mit Hilfe dieser Datensätze wird gezeigt, dass der Ansatz ermöglicht, bei der Erkennung A-priori-Wissen über die generellen statistischen Eigenschaften von natürlichen Bildern gewinnbringend auszunutzen. In natürlichen Bildern typischerweise auftretende Störungen können durch die Verarbeitung des Netzes sukzessive ausgeglichen werden, wodurch deutlich bessere Erkennungsleistungen erzielt werden können, als es mit herkömmlichen Methoden wie etwa Eigenraum-basierten Verfahren oder Nächste-Nachbarn-Klassifikatoren möglich ist.
DA  - 2007
KW  - Hierarchische vorwärtsgerichtete Modelle
KW  - Neocognitron
KW  - Detektion
KW  - Hierarchical feed-forward models
KW  - Computer vision
KW  - Maschinelles Sehen
KW  - Neuronales Netz
KW  - Objekterkennung
KW  - Mustererkennung
LA  - eng
PY  - 2007
TI  - Hierarchical feed-forward models for robust object recognition
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:361-11111
Y2  - 2024-11-21T22:05:58
ER  -