Data driven learning for feature binding and perceptual grouping with the Competitive Layer Model
Weng S (2005)
Bielefeld (Germany): Bielefeld University.
Bielefelder E-Dissertation | Englisch
Download
Autor*in
Weng, Sebastian
Gutachter*in / Betreuer*in
Einrichtung
Alternativer Titel
Datengetriebenes Lernen der Perzeptiven Gruppierung im Competitive Layer Model
Abstract / Bemerkung
The present work describes the treatment of several grouping or segmentation problems from the field of automatic image processing. It is motivated by natural grouping principles which can be observed in human visual perception, like the Gestalt laws of proximity, similarity and closture.
These principles are implemented by pairwise interactions between elementary data structures in a recurrent neural network architecture, the so called Competitive Layer Model (CLM). The main result of the work is the development of an automatic learning method which extracts suitable interaction patterns from exemplary target groupings.
In der vorliegenden Arbeit werden unter dem Begriff der Perzeptiven Gruppierung verschiedene Gruppierungs- bzw. Segmentierungsprobleme der maschinellen Bildverarbeitung behandelt. Als Vorbild dienen dabei natürliche Gruppierungsprinzipien der menschlichen visuellen Wahrnehmung, wie bspw. die Gestalt-Gesetze der Nähe, der Ähnlichkeit oder der Verbundenheit. Diese Prinzipien werden in einer rekurrenten Neuronalen Netz-Architektur, dem Competitive Layer Model (CLM), durch paarweise Interaktionen zwischen elementaren Datenstrukturen implementiert. Der Schwerpunkt der Arbeit liegt in der Entwicklung eines automatischen Lernverfahrens, mit dem sich aus Beispielgruppierungen geeignete Interaktionsmuster extrahieren lassen.
In der vorliegenden Arbeit werden unter dem Begriff der Perzeptiven Gruppierung verschiedene Gruppierungs- bzw. Segmentierungsprobleme der maschinellen Bildverarbeitung behandelt. Als Vorbild dienen dabei natürliche Gruppierungsprinzipien der menschlichen visuellen Wahrnehmung, wie bspw. die Gestalt-Gesetze der Nähe, der Ähnlichkeit oder der Verbundenheit. Diese Prinzipien werden in einer rekurrenten Neuronalen Netz-Architektur, dem Competitive Layer Model (CLM), durch paarweise Interaktionen zwischen elementaren Datenstrukturen implementiert. Der Schwerpunkt der Arbeit liegt in der Entwicklung eines automatischen Lernverfahrens, mit dem sich aus Beispielgruppierungen geeignete Interaktionsmuster extrahieren lassen.
Jahr
2005
Page URI
https://pub.uni-bielefeld.de/record/2305763
Zitieren
Weng S. Data driven learning for feature binding and perceptual grouping with the Competitive Layer Model. Bielefeld (Germany): Bielefeld University; 2005.
Weng, S. (2005). Data driven learning for feature binding and perceptual grouping with the Competitive Layer Model. Bielefeld (Germany): Bielefeld University.
Weng, Sebastian. 2005. Data driven learning for feature binding and perceptual grouping with the Competitive Layer Model. Bielefeld (Germany): Bielefeld University.
Weng, S. (2005). Data driven learning for feature binding and perceptual grouping with the Competitive Layer Model. Bielefeld (Germany): Bielefeld University.
Weng, S., 2005. Data driven learning for feature binding and perceptual grouping with the Competitive Layer Model, Bielefeld (Germany): Bielefeld University.
S. Weng, Data driven learning for feature binding and perceptual grouping with the Competitive Layer Model, Bielefeld (Germany): Bielefeld University, 2005.
Weng, S.: Data driven learning for feature binding and perceptual grouping with the Competitive Layer Model. Bielefeld University, Bielefeld (Germany) (2005).
Weng, Sebastian. Data driven learning for feature binding and perceptual grouping with the Competitive Layer Model. Bielefeld (Germany): Bielefeld University, 2005.
Alle Dateien verfügbar unter der/den folgenden Lizenz(en):
Copyright Statement:
Dieses Objekt ist durch das Urheberrecht und/oder verwandte Schutzrechte geschützt. [...]
Volltext(e)
Access Level
![Open access file OA](https://pub.uni-bielefeld.de/images/access_open.png)
Zuletzt Hochgeladen
2019-09-25T06:27:53Z
MD5 Prüfsumme
e6b35f91a00822de17d3f9ea48e9f7c0