edoc-Server der Humboldt-Universität zu Berlin

Dissertation

Autor(en): Niko Wilbert
Titel: Hierarchical Slow Feature Analysis on visual stimuli and top-down reconstruction
Gutachter: Richard Kempter; Laurenz Wiskott; Felix Wichmann
Erscheinungsdatum: 24.05.2012
Volltext: pdf (urn:nbn:de:kobv:11-100202576)
Fachgebiet(e): Biowissenschaften, Biologie
Schlagwörter (ger): Langsamkeit, Lernen, SFA, Objekterkennung, Invarianz, Langsamkeitslernen
Schlagwörter (eng): visual, Slow Feature Analysis, SFA, computational neuroscience, machine learning, object recognition, slowness, hierarchical, top-down
Einrichtung: Humboldt-Universität zu Berlin, Mathematisch-Naturwissenschaftliche Fakultät I
Lizenz: Namensnennung - Keine kommerzielle Nutzung - Weitergabe unter gleichen Bedingungen (CC BY NC SA)
Zitationshinweis: Wilbert, Niko: Hierarchical Slow Feature Analysis on visual stimuli and top-down reconstruction; Dissertation, Humboldt-Universität zu Berlin, Mathematisch-Naturwissenschaftliche Fakultät I , publiziert am 24.05.2012, urn:nbn:de:kobv:11-100202576
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.

Abstract (ger):
In dieser Dissertation wird ein Modell des visuellen Systems untersucht, basierend auf dem Prinzip des unüberwachten Langsamkeitslernens und des SFA-Algorithmus (Slow Feature Analysis). Dieses Modell wird hier für die invariante Objekterkennung und verwandte Probleme eingesetzt. Das Modell kann dabei sowohl die zu Grunde liegenden diskreten Variablen der Stimuli extrahieren (z.B. die Identität des gezeigten Objektes) als auch kontinuierliche Variablen (z.B. Position und Rotationswinkel). Dabei ist es in der Lage, mit komplizierten Transformationen umzugehen, wie beispielsweise Tiefenrotation. Die Leistungsfähigkeit des Modells wird zunächst mit Hilfe von überwachten Methoden zur Datenanalyse untersucht. Anschließend wird gezeigt, dass auch die biologisch fundierte Methode des Verstärkenden Lernens (reinforcement learning) die Ausgabedaten unseres Modells erfolgreich verwenden kann. Dies erlaubt die Anwendung des Verstärkenden Lernens auf hochdimensionale visuelle Stimuli. Im zweiten Teil der Arbeit wird versucht, das hierarchische Modell mit Top-down Prozessen zu erweitern, speziell für die Rekonstruktion von visuellen Stimuli. Dabei setzen wir die Methode der Vektorquantisierung ein und verbinden diese mit einem Verfahren zum Gradientenabstieg. Die wesentlichen Komponenten der für unsere Simulationen entwickelten Software wurden in eine quelloffene Programmbibliothek integriert, in das ``Modular toolkit for Data Processing'''' (MDP). Diese Programmkomponenten werden im letzten Teil der Dissertation vorgestellt.
Abstract (eng):
This thesis examines a model of the visual system, which is based on the principle of unsupervised slowness learning and using Slow Feature Analysis (SFA). We apply this model to the task of invariant object recognition and several related problems. The model not only learns to extract the underlying discrete variables of the stimuli (e.g., identity of the shown object) but also to extract continuous variables (e.g., position and rotational angles). It is shown to be capable of dealing with complex transformations like in-depth rotation. The performance of the model is first measured with the help of supervised post-processing methods. We then show that biologically motivated methods like reinforcement learning are also capable of processing the high-level output from the model. This enables reinforcement learning to deal with high-dimensional visual stimuli. In the second part of this thesis we try to extend the model with top-down processes, centered around the task of reconstructing visual stimuli. We utilize the method of vector quantization and combine it with gradient descent. The key components of our simulation software have been integrated into an open-source software library, the Modular toolkit for Data Processing (MDP). These components are presented in the last part of the thesis.
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.
Startseite: 7 Zugriffe PDF: 10 Zugriffe Startseite: 6 Zugriffe PDF: 4 Zugriffe PDF: 5 Zugriffe PDF: 2 Zugriffe PDF: 4 Zugriffe Startseite: 2 Zugriffe PDF: 11 Zugriffe PDF: 9 Zugriffe PDF: 10 Zugriffe Startseite: 1 Zugriffe PDF: 14 Zugriffe Startseite: 1 Zugriffe PDF: 25 Zugriffe Startseite: 1 Zugriffe PDF: 8 Zugriffe Startseite: 4 Zugriffe PDF: 14 Zugriffe PDF: 19 Zugriffe Startseite: 1 Zugriffe PDF: 5 Zugriffe Startseite: 3 Zugriffe PDF: 14 Zugriffe Startseite: 2 Zugriffe PDF: 9 Zugriffe PDF: 25 Zugriffe Startseite: 1 Zugriffe PDF: 48 Zugriffe PDF: 64 Zugriffe PDF: 35 Zugriffe Startseite: 1 Zugriffe PDF: 20 Zugriffe PDF: 61 Zugriffe PDF: 30 Zugriffe PDF: 22 Zugriffe Startseite: 2 Zugriffe PDF: 17 Zugriffe PDF: 22 Zugriffe Startseite: 1 Zugriffe PDF: 45 Zugriffe
Jul
12
Aug
12
Sep
12
Oct
12
Nov
12
Dec
12
Jan
13
Feb
13
Mar
13
Apr
13
May
13
Jun
13
Jul
13
Aug
13
Sep
13
Oct
13
Nov
13
Dec
13
Jan
14
Feb
14
Mar
14
Apr
14
May
14
Jun
14
Jul
14
Aug
14
Sep
14
Oct
14
Monat Jul
12
Aug
12
Sep
12
Oct
12
Nov
12
Jan
13
Feb
13
Mar
13
Apr
13
May
13
Jun
13
Jul
13
Aug
13
Sep
13
Oct
13
Nov
13
Dec
13
Jan
14
Feb
14
Mar
14
Apr
14
May
14
Jun
14
Jul
14
Aug
14
Sep
14
Oct
14
Startseite 7 6       2     1 1 1 4   1 3 2   1     1       2   1
PDF 10 4 5 2 4 11 9 10 14 25 8 14 19 5 14 9 25 48 64 35 20 61 30 22 17 22 45

Gesamtzahl der Zugriffe seit Jul 2012:

  • Startseite – 33 (1.18 pro Monat)
  • PDF – 552 (19.71 pro Monat)
 
 
Generiert am 23.11.2014, 07:10:08