In dieser Arbeit werden Aspekte des Seh- und Erkennungsproblems mit einem
Netzwerk neuronaler Kolumnen gelöst. Die Struktur des Netzwerks wird schrittweise
entwickelt und es werden Zwischenergebnisse gesammelt. Insbesondere wird eine
auf neuronalen Kolumnen basierende Ähnlichkeitsauswertung untersucht. Schließlich
werden Simulationen des Netzwerks mit Input aus künstlichen und echten Bildern
durchgeführt. Anhand von vielen Beispielen wird das Verhalten des Netzwerks
in Bezug auf die Korrespondenzfindung untersucht.
Inhaltsverzeichnis
- Einleitung
- Das Korrespondenzproblem
- Dynamic Link Matching
- Minikolumnen und Makrokolumnen
- Simulation einer Makrokolumne
- Netzwerke Merkmals-kodierender Makrokolumnen
- Zwei Makrokolumnen
- Simulation zweier Makrokolumnen
- Mehrere Makrokolumnen.
- Simulation mehrerer Makrokolumnen
- Positions-kodierende Makrokolumnen
- Positions-Kolumnen in der Simulation
- Neuronale Ähnlichkeit vs. Ähnlichkeitsfunktion
- Die Inputschicht mit einer Doppel-Kolumne
- Die Inputschicht mit mehreren Doppel-Kolumnen
- Parameter-Anpassung.
- Binarisierung des Inputs der Positions-Kolumne
- Benachbarte Positions-Kolumnen
- Zweidimensionale Schichten
- Topologie in zweidimensionalen Schichten
- Standard-Parameter . .
- Zufällige Musterbildung ohne Input
- Korrespondenzfindung in künstlichen Bildern
- Verrauschter Input .
- Translationsinvarianz
- Korrespondenzfindung in echten Bildern
- Vergleiche zu Experimenten mit künstlichen Bildern
- Variationen topologischer Verbindungen
- Objekte mit und ohne Hintergrund
- Ungleiche Objekte
- Korrespondenzfindung in Szenen.
- DLM-Schichten unterschiedlicher Größe
- Zusammenfassung und Ausblick
- Abbildungsverzeichnis
- Literatur
Zielsetzung und Themenschwerpunkte
Die Diplomarbeit befasst sich mit der Entwicklung einer Simulation neuronaler Kolumnen, die zur Korrespondenzfindung in Bildern eingesetzt werden kann. Ziel ist es, ein neuronales Netzwerk zu entwickeln, das in der Lage ist, korrespondierende Punkte in zwei verschiedenen Bildern des selben Objektes wiederzufinden, selbst wenn diese Bilder durch Transformationen wie Translation, Skalierung, Rotation oder Beleuchtungsunterschiede verändert wurden. Die Arbeit untersucht dabei die Funktionsweise des Dynamic Link Matching (DLM) und implementiert dieses in einem neuronalen Netzwerk, das aus Makrokolumnen und Minikolumnen besteht. Die Simulationen des Netzwerks werden mit Input aus künstlichen und echten Bildern durchgeführt, um das Verhalten des Netzwerks in Bezug auf die Korrespondenzfindung zu analysieren.
- Entwicklung einer Simulation neuronaler Kolumnen zur Korrespondenzfindung
- Implementierung des Dynamic Link Matching (DLM) in einem neuronalen Netzwerk
- Untersuchung der Funktionsweise des Netzwerks mit Input aus künstlichen und echten Bildern
- Analyse des Verhaltens des Netzwerks in Bezug auf die Korrespondenzfindung
- Bewertung der Leistungsfähigkeit des Netzwerks in Bezug auf verschiedene Transformationen
Zusammenfassung der Kapitel
Die Einleitung stellt das Korrespondenzproblem vor und erläutert die Bedeutung der neuronalen Kolumnen für die Lösung dieses Problems. Es wird die Motivation für die Entwicklung eines neuronalen Netzwerks zur Korrespondenzfindung dargelegt und die Struktur des Netzwerks sowie die verwendeten Methoden vorgestellt.
Kapitel 2 beschreibt das Korrespondenzproblem und stellt das Dynamic Link Matching (DLM) als ein korrespondenzbasiertes System zur Objekterkennung vor. Es werden die Funktionsweise des DLM und die Motivation für die Verwendung von Makrokolumnen und Minikolumnen erläutert.
Kapitel 3 behandelt die Struktur und Funktionsweise von Minikolumnen und Makrokolumnen. Es wird eine Simulation einer Makrokolumne vorgestellt, die die grundlegenden Mechanismen der Informationsverarbeitung in diesen neuronalen Einheiten demonstriert.
Kapitel 4 beschäftigt sich mit Netzwerken aus Merkmals-kodierenden Makrokolumnen. Es werden Simulationen von zwei und mehreren Makrokolumnen durchgeführt, um die Interaktion zwischen diesen Einheiten und die Bildung von Korrespondenzen zu untersuchen.
Kapitel 5 stellt Positions-kodierende Makrokolumnen vor, die die räumliche Information in Bildern kodieren. Es wird die Implementierung von Positions-Kolumnen in der Simulation erläutert.
Kapitel 6 untersucht die Beziehung zwischen neuronaler Ähnlichkeit und Ähnlichkeitsfunktionen. Es werden Simulationen mit verschiedenen Input-Konfigurationen durchgeführt, um die Auswirkungen der Parameter-Anpassung und der Binarisierung des Inputs auf die Korrespondenzfindung zu analysieren.
Kapitel 7 behandelt die Verwendung von benachbarten Positions-Kolumnen in zweidimensionalen Schichten. Es werden die Topologie der Verbindungen zwischen den Kolumnen und die Standard-Parameter der Simulation vorgestellt.
Kapitel 8 beschreibt die Korrespondenzfindung in künstlichen Bildern. Es werden Simulationen mit verrauschtem Input und verschiedenen Transformationen durchgeführt, um die Leistungsfähigkeit des Netzwerks in Bezug auf die Translationsinvarianz zu untersuchen.
Kapitel 9 befasst sich mit der Korrespondenzfindung in echten Bildern. Es werden Vergleiche zu Experimenten mit künstlichen Bildern gezogen und die Auswirkungen von Variationen topologischer Verbindungen auf die Korrespondenzfindung untersucht. Außerdem werden Simulationen mit Objekten mit und ohne Hintergrund sowie mit ungleichen Objekten durchgeführt.
Schlüsselwörter
Die Schlüsselwörter und Schwerpunktthemen des Textes umfassen das Korrespondenzproblem, neuronale Kolumnen, Dynamic Link Matching (DLM), Makrokolumnen, Minikolumnen, Positions-kodierende Makrokolumnen, Ähnlichkeitsfunktion, neuronale Ähnlichkeit, zweidimensionale Schichten, Topologie, Translationsinvarianz, Korrespondenzfindung in Bildern, künstliche Bilder, echte Bilder, Simulationen.
- Arbeit zitieren
- Christian Keck (Autor:in), 2005, Korrespondenzfindung mit Netzwerken neuronaler Kolumnen, München, GRIN Verlag, https://www.grin.com/document/186302
