Unsupervised Learning of Hierarchical Representations for Natural Images

自然图像分层表示的无监督学习

• 批准号: 200403176
• 负责人: Professor Dr. Matthias Bethge
• 金额: --
• 依托单位: Arbeitsgruppe Computational Neuroscience and Machine Learning
• 依托单位国家: 德国
• 项目类别: Priority Programmes
• 财政年份: 2011
• 资助国家: 德国
• 起止时间: 2010-12-31 至 2015-12-31
• 项目状态: 已结题
• 来源: https://gepris.dfg.de/gepris/projekt/200403176?language=en
• 关键词: Unsupervised; Learning; Hierarchical; Representations; Natural

Die wesentliche Herausforderung des autonomen Lernens besteht darin, mit der großen Komplexität der Umwelt umzugehen. Theoretische Überlegungen sowie Beobachtungen aus der Biologie sprechen dafür, dass hierarchisch aufgebaute Repräsentationen besonders gut dazu geeignet sind. Diese Tatsache wird jedoch erst seit der Einführung von neuen Lernverfahren auch durch empirische Resultate aus dem Bereich des maschinellen Lernens unterstützt. In unserer Arbeitsgruppe durchgeführte quantitative Analysen haben aber auch entscheidende Verbesserungsmöglichkeiten bei den aktuellen hierarchischen Modellen aufgedeckt. Im Rahmen dieses Projekts wollen wir daher Lernmethoden herleiten, die auf den Erkenntnissen dieser quantitativen Analysen aufbauen. Komplementär dazu werden wir hierarchische Bildmodelle entwickeln, die leistungsfähige Bildrepräsentationen versprechen und die von den neuen Lernalgorithmen profitieren können. Da uns die Quantifizierung des Fortschritts besonders wichtig ist, werden wir auch die Evaluierung neuer Modelle und Verfahren sowie die Entwicklung weiterer Kriterien zur Bewertung von gelernten Modellen in diesem Projekt weiter vorantreiben.

最好的办法是让学生们在环境复杂的大环境中学习。理论上，从生物学的角度来看，等级制度的代表性是非常重要的。这些纹身将首先从新的Lernverfahren的Einführung开始，也是通过机器Lernens Unterstützt的Bereich的经验结果。在我们的工作组中，通过定量分析，我们也可以通过建立层次模型来进行比较。在这些项目中，我们将采用一种新的方法，对结果进行定量分析。我们韦尔登通过构建层次化的图片模型来完成这一任务，这些图片模型可以通过新的Lernalgorithmen profitieren können来实现。为了对堡垒进行定量分析，韦尔登还将对新的模型进行评价，并在今后的项目中对模型进行评价。