| Autor(en): |
Mathias Franzius |
Titel: |
Slowness and sparseness for unsupervised learning of spatial and object codes from naturalistic data |
| Gutachter: |
L. Wiskott; R. Kempter; A. Treves |
| Erscheinungsdatum: |
27.06.2008 |
| Volltext: |
pdf
(urn:nbn:de:kobv:11-10090424)
|
| Fachgebiet(e): |
Biowissenschaften, Biologie |
| Schlagwörter (ger): |
Hippocampus, Objekterkennung, Ortszellen, Unüberwachtes Lernen |
| Schlagwörter (eng): |
Hippocampus, Object Recognition, Place Cells, Unsupervised Learning |
| Einrichtung: |
Humboldt-Universität zu Berlin, Mathematisch-Naturwissenschaftliche Fakultät I |
| Zitationshinweis: |
Franzius, Mathias:
Slowness and sparseness for unsupervised learning of spatial and object codes from naturalistic data;
Dissertation,
Humboldt-Universität zu Berlin, Mathematisch-Naturwissenschaftliche Fakultät I , publiziert am 27.06.2008, urn:nbn:de:kobv:11-10090424
|
Metadatenexport:
 Um
den gesamten Metadatensatz im Endnote- oder
Bibtex-Format zu speichern,
klicken Sie bitte auf den entsprechenden Link.
|
Endnote
Bibtex
|
| print on demand:
Wenn
Sie auf dieses Icon klicken, können Sie
ein Druckexemplar dieser Publikation bestellen.
|
|
| Diese Seite taggen:
Diese
Icons führen auf so genannte Social-Bookmark-Systeme, auf denen Sie
Lesezeichen anlegen, persönliche Tags vergeben und Lesezeichen anderer Nutzer
ansehen können.
|
|
| Abstract (ger): |
| Diese Doktorarbeit führt ein hierarchisches Modell für das unüberwachte Lernen
aus quasi-natürlichen Videosequenzen ein. Das Modell basiert auf den Lernprinzipien
der Langsamkeit und Spärlichkeit, für die verschiedene Ansätze und
Implementierungen vorgestellt werden. Eine Vielzahl von Neuronentypen im Hippocampus
von Nagern und Primaten kodiert verschiedene Aspekte der räumlichen Umgebung
eines Tieres. Dazu gehören Ortszellen (place cells), Kopfrichtungszellen (head
direction cells), Raumansichtszellen (spatial view cells) und Gitterzellen (grid
cells). Die Hauptergebnisse dieser Arbeit basieren auf dem Training des
hierarchischen Modells mit Videosequenzen aus einer Virtual-Reality-Umgebung. Das
Modell reproduziert die wichtigsten räumlichen Codes aus dem Hippocampus. Die
Art der erzeugten Repräsentationen hängt hauptsächlich von der
Bewegungsstatistik des simulierten Tieres ab. Das vorgestellte Modell wird
außerdem auf das Problem der invaranten Objekterkennung angewandt, indem
Videosequenzen von simulierten Kugelhaufen oder Fischen als Stimuli genutzt wurden.
Die resultierenden Modellrepräsentationen erlauben das unabhängige Auslesen
von Objektidentität, Position und Rotationswinkel im Raum.
|
| Abstract (eng): |
| This thesis introduces a hierarchical model for unsupervised learning from naturalistic video sequences. The model is based on the principles of slowness and sparseness. Different approaches and implementations for these principles are discussed. A variety of neuron classes in the hippocampal formation of rodents and primates codes for different aspects of space surrounding the animal, including place cells, head direction cells, spatial view cells and grid cells. In the main part of this thesis, video sequences from a virtual reality environment are used for training the hierarchical model. The behavior of most known hippocampal neuron types coding for space are reproduced by this model. The type of representations generated by the model is mostly determined by the movement statistics of the simulated animal. The model approach is not limited to spatial coding. An application of the model to invariant object recognition is described, where artificial clusters of spheres or rendered fish are presented to the model. The resulting representations allow a simple extraction of the identity of the object presented as well as of its position and viewing angle.
|
Zugriffsstatistik:
Die Daten für die Zugriffsstatistik der einzelnen Dokumente
wurden aus den durch AWStats aggregierten Webserver-Logs erstellt.
Sie beziehen sich auf den monatlichen Zugriff auf den Volltext sowie
auf die Startseite. Die Zugriffsstatistik wird nicht standardisiert erfasst und kann maschinelle Zugriffe enthalten.
Bei Formatversionen eines Dokuments, die aus mehreren Dateien bestehen
(insbesondere HTML), wird jeweils der monatlich höchste Zugriffswert
auf eine der Dateien (Kapitel) des Dokuments angezeigt.
Um die detaillierten Zugriffszahlen zu sehen,
fahren Sie bitte mit dem Mauszeiger
über die einzelnen Balken des Diagramms.
|
  | | | | | | | | | | | | | | | | | | | Jun
11 | Jul
11 | Aug
11 | Sep
11 | Oct
11 | Nov
11 | Dec
11 | Feb
12 | Apr
12 | May
12 | Jun
12 | Jul
12 | Aug
12 | Sep
12 | Oct
12 | Nov
12 | Dec
12 | Jan
13 | Apr
13 |
| Monat | Jun
11 | Jul
11 | Aug
11 | Sep
11 | Oct
11 | Nov
11 | Dec
11 | Feb
12 | Apr
12 | May
12 | Jun
12 | Jul
12 | Aug
12 | Oct
12 | Nov
12 | Jan
13 | Apr
13 | | Startseite | 5 | 4 | 2 | 9 | 1 | 2 | 6 | 1 | | | 3 | 4 | 5 | | | 2 | 2 | | PDF | 2 | | 1 | 4 | 4 | 3 | 4 | 3 | 6 | 3 | 8 | 6 | 2 | 2 | 3 | 14 | 20 |
Gesamtzahl der Zugriffe seit Jun 2011: - Startseite – 46 (2.42 pro Monat)
- PDF – 85 (4.47 pro Monat)
|
