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
1 Einleitung
2 Das Korrespondenzproblem
2.1 Dynamic Link Matching
3 Minikolumnen und Makrokolumnen
3.1 Simulation einer Makrokolumne
4 Netzwerke Merkmals-kodierender Makrokolumnen
4.1 Zwei Makrokolumnen
4.2 Simulation zweier Makrokolumnen
4.3 Mehrere Makrokolumnen
4.4 Simulation mehrerer Makrokolumnen
5 Positions-kodierende Makrokolumnen
5.1 Positions-Kolumnen in der Simulation
6 Neuronale Ähnlichkeit vs. Ähnlichkeitsfunktion
6.1 Die Inputschicht mit einer Doppel-Kolumne
6.2 Die Inputschicht mit mehreren Doppel-Kolumnen
6.3 Parameter-Anpassung
6.4 Binarisierung des Inputs der Positions-Kolumne
7 Benachbarte Positions-Kolumnen
7.1 Zweidimensionale Schichten
7.2 Topologie in zweidimensionalen Schichten
7.3 Standard-Parameter
7.4 Zufällige Musterbildung ohne Input
8 Korrespondenzfindung in künstlichen Bildern
8.1 Verrauschter Input
8.2 Translationsinvarianz
9 Korrespondenzfindung in echten Bildern
9.1 Vergleiche zu Experimenten mit künstlichen Bildern
9.2 Variationen topologischer Verbindungen
9.3 Objekte mit und ohne Hintergrund
9.4 Ungleiche Objekte
9.5 Korrespondenzfindung in Szenen
9.6 DLM-Schichten unterschiedlicher Größe
10 Zusammenfassung und Ausblick
Zielsetzung & Themen
Ziel der Arbeit ist die Entwicklung und Untersuchung eines neuronalen Modells basierend auf Minikolumnen und Makrokolumnen zur Lösung des Korrespondenzproblems, um Bildobjekte invariant gegenüber Transformationen wie Translation zu erkennen.
- Entwicklung neuronaler Netzwerkstrukturen aus Makrokolumnen (Doppel-Kolumnen).
- Untersuchung der Ähnlichkeitsauswertung im Vergleich zu klassischen Algorithmen.
- Einführung topologischer Verbindungen zur Ermöglichung von Translationsinvarianz.
- Validierung des Netzwerks anhand von künstlichen und realen Bilddaten.
- Untersuchung von Skalierungstoleranz und Robustheit gegen Verdeckungen.
Auszug aus dem Buch
3 Minikolumnen und Makrokolumnen
Die Gehirnforschung beschäftigt sich mit dem Aufbau und der Funktionsweise des Gehirns, sowohl des menschlichen als auch dem von Säugetieren. Während für die grobe Aufteilung der Funktionen im Gehirn bereits Regionen identifiziert wurden, ist die Funktionsweise der einzelnen Regionen weitgehend ungeklärt. Einzelne Neuronen konnten recht genau untersucht und verstanden werden, jedoch ist unklar, wie Netzwerke aus Neuronen die komplexen Aufgaben des Gehirns bewältigen.
Erst in den letzten zehn Jahren konnten einige Ergebnisse diese Netzwerke aus Neuronen betreffend gefunden werden. So haben verschiedene Untersuchungen gezeigt, daß große Teile des Gehirns in Kolumnen strukturiert sind, siehe (Mountcastle 1997) und (Buxhoeveden und Casanova 2002). Ansammlungen von Neuronen, die senkrecht zur kortikalen Oberfläche liegen und stark exzitatorisch verbunden sind, werden als Minikolumnen bezeichnet. Wenn mehrere Minikolumnen miteinander interagieren, können sie zusammengefaßt als Makrokolumne bezeichnet werden.
Basierend auf diesen Erkenntnissen wurde in (Lücke u. a. 2002) und (Lücke 2005) ein mathematisches Modell vorgeschlagen, das den gefundenen Strukturen Rechnung trägt. Dabei werden Minikolumnen aus zufällig exzitatorisch verschalteten Neuronen gebildet. Diese Minikolumnen sind innerhalb einer Makrokolumne untereinander hemmend gekoppelt. Aus Makrokolumnen lassen sich neuronale Netzwerke zur Bewältigung verschiedener Aufgaben erstellen, wie später noch gezeigt wird. Zunächst soll jedoch die einzelne Makrokolumne und Minikolumne betrachtet werden.
Zusammenfassung der Kapitel
1 Einleitung: Einführung in die Thematik der computergestützten Objekterkennung und die Motivation für die Nutzung neuronaler Kolumnen.
2 Das Korrespondenzproblem: Erläuterung der theoretischen Herausforderungen bei der Korrespondenzfindung und Vorstellung des Dynamic Link Matchings.
3 Minikolumnen und Makrokolumnen: Grundlagen der neuronalen Modellierung mittels Makro- und Minikolumnen sowie deren mathematische Beschreibung.
4 Netzwerke Merkmals-kodierender Makrokolumnen: Aufbau eines Netzwerks aus vernetzten Makrokolumnen zur Verarbeitung von Merkmals-Vektoren.
5 Positions-kodierende Makrokolumnen: Einführung der Positions-Kolumnen zur Kontrolle und Bewertung der Verbindungen zwischen Merkmals-Kolumnen.
6 Neuronale Ähnlichkeit vs. Ähnlichkeitsfunktion: Quantitativer Vergleich der neuronalen Ähnlichkeitsauswertung mit einer klassischen Ähnlichkeitsfunktion.
7 Benachbarte Positions-Kolumnen: Erweiterung des Netzwerks um topologische Verbindungen in zweidimensionalen Schichten.
8 Korrespondenzfindung in künstlichen Bildern: Demonstration der translationsinvarianten Korrespondenzfindung anhand künstlicher verrauschter Merkmals-Vektoren.
9 Korrespondenzfindung in echten Bildern: Untersuchung der Netzwerkleistung bei der Anwendung auf reale Objektaufnahmen inklusive Verdeckungen und Hintergrundvariationen.
10 Zusammenfassung und Ausblick: Resümee der Ergebnisse und Diskussion möglicher Weiterentwicklungen zu einem Objekterkennungssystem.
Schlüsselwörter
Dynamic Link Matching, Korrespondenzproblem, Neuronale Kolumnen, Makrokolumne, Minikolumne, Merkmals-Vektor, Positions-Kolumne, Doppel-Kolumne, Translationsinvarianz, Objekterkennung, Simulation, topologische Verbindungen, Gitter-Graph, Bildverarbeitung, Gehirnforschung.
Häufig gestellte Fragen
Worum geht es in dieser Diplomarbeit grundsätzlich?
Die Arbeit befasst sich mit der Entwicklung eines DLM-Netzwerks (Dynamic Link Matching), das auf neuronalen Kolumnen basiert, um das Korrespondenzproblem bei der Erkennung von Objekten in Bildern zu lösen.
Welche zentralen Themenfelder werden bearbeitet?
Zentrale Themen sind die neuronale Modellierung von Makro- und Minikolumnen, die mathematische Beschreibung der Netzwerkdynamik, die Einführung von Positions-Kolumnen sowie die Implementierung topologischer Verbindungen für Invarianz-Eigenschaften.
Was ist das primäre Ziel oder die Forschungsfrage?
Das primäre Ziel ist es, ein neuronales Modell zu entwickeln, welches robust gegenüber Transformationen wie Translation und Rauschen ist, und dessen Leistungsfähigkeit in der Korrespondenzfindung mit der klassischer Algorithmen zu vergleichen.
Welche wissenschaftliche Methode wird verwendet?
Es kommt eine computergestützte Simulationsmethode zum Einsatz, wobei die Dynamik der neuronalen Einheiten durch Differentialgleichungen beschrieben und mittels numerischer Verfahren (Euler-Methode) in C++ implementiert wurde.
Was wird im Hauptteil behandelt?
Der Hauptteil umfasst den schrittweisen Aufbau des Netzwerks von einfachen Makrokolumnen über Doppel-Kolumnen (Merkmals- und Positions-Kolumnen) bis hin zur Integration komplexer topologischer Verbindungen und der Anwendung auf echte Bilddaten.
Welche Schlüsselwörter charakterisieren die Arbeit?
Zu den wichtigsten Begriffen zählen Dynamic Link Matching, Makrokolumnen, Korrespondenzproblem, Objekterkennung, topologische Verbindungen und translationsinvariante Korrespondenzfindung.
Wie unterscheidet sich die neuronale Ähnlichkeitsauswertung von klassischen Ansätzen?
Die neuronale Auswertung nutzt die Dynamik der Makrokolumnen, insbesondere deren Abschaltvorgänge kurz vor dem Bifurkationspunkt, um Ähnlichkeiten zwischen Eingabemustern zu bestimmen, und ist dabei zu klassischen mathematischen Funktionen konkurrenzfähig.
Wie geht das Netzwerk mit verdeckten Objekten um?
Durch die topologischen Verbindungen zwischen den Positions-Kolumnen wird eine nachbarschaftserhaltende Wirkung erzielt, die es dem Netzwerk ermöglicht, Korrespondenzen auch bei Teilverdeckungen zu stabilisieren und plausible Lösungen zu finden.
- Quote paper
- Christian Keck (Author), 2005, Korrespondenzfindung mit Netzwerken neuronaler Kolumnen, Munich, GRIN Verlag, https://www.grin.com/document/186302
