Non-linear Probabilistic Models for Representational Recognition and Unsupervised Learning in Vision

一种在计算机上使用的语言是从图像元素中学习的。对于众多的数据艺术，在最近几年的大规模Fortschritte测试中采用了最先进的Ansätze，贝叶斯的方法在数据分析中发挥了重要作用，并在数据统计中建立了模型。Für visuelle Daten beruhen heutige Ansätze jedoch immer noch auf einer sehr ungenauen Modellierung charakteristischer Daten-Eigenschaften.因此，我们使用“稀疏编码”、“独立分量分析”或“非负矩阵分解”等方法对Annahmen进行建模。elementare Komponenten sich linear super-positionieren; dass 2. Versteckte Modellvariablen unabhängig sind; und dass 3.一个盛大的组件位置angenommen wird。在韦尔登项目中，所有的模型都是由沃登的韦尔登设计的。我们以生成性韦尔登模型的现代化为基础1. nicht-lineare Komponenten Kombinationen betrachten，2. lernbare Strukturen für abhängige a priori Wahrscheinlichkeiten einführen，und 3. aktiv Muster-Transformationen für invariant Erkennen modellieren.当处理一个新的特征点时，可以通过一个组合方法来处理一个新的特征点，该特征点可以通过韦尔登模型来提取。新的学习者韦尔登将通过视觉形式的数据转换为韦尔登，并将其应用于实践。我们韦尔登一个新的技术，以用于视觉数据的挖掘，这是一个很好的方法。

Ein seit langem verfolgtes Ziel im Bereich des Computer Sehens ist das unüberwachten Lernen von elementaren Komponenten aus Bildern. Für viele Arten von Daten, haben state-of-the-art Ansätze in den letzten Jahren große Fortschritte damit erzielt, dass Bayes’sche Methodiken ihre Anwendung fanden, die es erlaubten die Regelmäßigkeiten in der Daten Statistik zu modellieren. Für visuelle Daten beruhen heutige Ansätze jedoch immer noch auf einer sehr ungenauen Modellierung charakteristischer Daten-Eigenschaften. So beruhen Modelle wie “Sparse Coding”, “Independent Component Analysis”, oder “Non-negative Matrix Factorization” auf den Annahmen, dass 1. elementare Komponenten sich linear super-positionieren; dass 2. versteckte Modellvariablen unabhängig sind; und dass 3. eine feste Komponenten-Position angenommen wird. In diesem Projekt werden Modelle untersucht werden, die sich in all diesen entscheidenden Punkten von herkömmlichen Modellen unterscheiden. Basierend auf den modernen Ansätzen der generativen Modelle werden wir 1. nicht-lineare Komponenten Kombinationen betrachten, 2. lernbare Strukturen für abhängige a priori Wahrscheinlichkeiten einführen, und 3. aktiv Muster-Transformationen für invariantes Erkennen modellieren. Während die Behandlung eines jeden einzelnen dieser Punkte einen wichtigen Fortschritt bedeutet, kann durch eine Kombination dieser Ansätze eine gänzlich neue Klasse von Komponenten Extraktions Modellen geschaffen werden. Die neu entwickelten Lern-Algorithmen werden auf schwierige Formen visueller Daten angewandt werden können und ermöglichen praktische Anwendungen die weit über die Möglichkeiten bisheriger Algorithmen hinausgehen. Wir werden eine neu Technologie für die visuelle Datenverarbeitung entwickeln, die genau dort ansetzt, wo heutige Methodiken ihre größten Schwierigkeiten haben.