Login
- Originaltitel:
- Learning by Association
- Originaluntertitel:
- Strategies for solving computer vision tasks with less labeled data
- Übersetzter Titel:
- Assoziatives Lernen
- Übersetzter Untertitel:
- Strategien um Aufgaben in der Bildverarbeitung mit weniger annotierten Daten zu lösen
- Autor:
- Häusser, Philip
- Jahr:
- 2018
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- Fakultät für Informatik
- Betreuer:
- Cremers, Daniel (Prof. Dr.)
- Gutachter:
- Cremers, Daniel (Prof. Dr.); Brox, Thomas (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- DAT Datenverarbeitung, Informatik
- Stichworte:
- neural networks, deep learning, machine learning, computer vision, optimization, association, semi-supervised, domain adaptation, clustering
- Übersetzte Stichworte:
- Neuronale Netze, deep learning, Mac, computer vision, optimization, association, semi-supervised, domain adaptation, clustering
- TU-Systematik:
- DAT 760d; DAT 770d
- Kurzfassung:
- Neural networks usually require vast amounts of labeled training data. In this dissertation, we propose an approach to solve this problem: "Learning bay Association". This training schedule is suitable for any embedding learning task such as classification, domain adaptation or clustering. The key idea is to “associate” training examples for which labels are known with unlabeled examples. A novel cost function facilitates state-of-the-art results with significantly less labeled training data.
- Übersetzte Kurzfassung:
- Neuronale Netzwerke erfordern in der Regel große Mengen an annotierten Trainingsdaten. In dieser Dissertation stellen wir einen Lösungsansatz vor: "Assoziatives Lernen". Dieses Verfahren eignet sich für jede Aufgabe, bei der Darstellungen gelernt werden: Klassifizierung, Domänenanpassung oder Clustering. Die Kernidee ist es, annotierte Daten mit solchen ohne Beschriftung zu "assoziieren". Eine neue Kostenfunktion ermöglicht erstklassige Ergebnisse mit deutlich weniger annotierten Trainingsdaten.
- WWW:
- https://mediatum.ub.tum.de/?id=1444880
- Eingereicht am:
- 26.06.2018
- Mündliche Prüfung:
- 19.12.2018
- Dateigröße:
- 21859937 bytes
- Seiten:
- 89
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-21081219-1444880-1-7
- Letzte Änderung:
- 19.02.2019
BibTeX
Vorkommen:
- mediaTUM GesamtbestandEinrichtungenSchools TUM School of Computation, Information and TechnologyPrüfungsarbeitenDissertationen
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and TechnologyComputer Science