<div class="csl-bib-body">
<div class="csl-entry">Palkovits, M. (2017). <i>Inkrementelles Lernen von Objektklassen mittels Neuronaler Netze</i> [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2017.45933</div>
</div>
-
dc.identifier.uri
https://doi.org/10.34726/hss.2017.45933
-
dc.identifier.uri
http://hdl.handle.net/20.500.12708/6820
-
dc.description
Zusammenfassung in englischer Sprache
-
dc.description
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
-
dc.description.abstract
Aufgrund der großen Varietät an Objekten und deren geometrischen sowie visuellen Eigenschaften, ist die exakte Klassifizierung von Objekten ein sehr komplexer Vorgang. Um einen Klassifizierungsalgorithmus so zu trainieren, sodass er zwischen einer Vielzahl von unterschiedlichen Objektklassen unterscheiden kann ist ein sehr großer Rechenaufwand sowie eine enorme Menge an Trainingsdaten erforderlich. Um diese Probleme teilweise zu umgehen, wurde eine iterative Trainingsmethode verwendet, um das Wiedererkennen häufig gesehener Objektklassen zu verbessern. Ausgehend von einem schon trainierten convolutional neural network, wurde mittels backpropagation und stochastic gradient das Netz bei jenen Bildern upgedatet, bei welchen die Konfidenz der Klassifizierung zu gering war. Um einen mögliches biasen des Klassifizierers zu vermeiden wurde eine neue Methode self-check angewandt. Diese Methode evaluiert den Klassifizierer bei jedem iterativen Trainingsprozess auf einem Subset des anfänglichen Trainingssets, um so zu überprüfen ob alle Klassen noch korrekt wiedererkannt werden. Zusätzlich haben wir auch unterschiedliche Bildaugmentierungsmethoden zu unterschiedlichen Zeitpunkten während der Klassifizierung beziehungsweise des iterativen Trainingsprozesses angewandt und konnten zeigen, dass sofern die Bilder vor der Klassifizierung augmentiert werden, die Anzahl an korrekt Klassifizierten Bildern abnimmt. Wir haben unsere verwendete Methode auf der cat-10 Datenbank des 3DNet Datensatzes evaluiert und zeigen das durch Anwendung iterativen Trainings die Anzahl an korrekt erkannten Objekte um 20- 30% gesteigert werden kann.
de
dc.description.abstract
Classifying objects is a very complex procedure due to the big variety of objects and their geometric and visual characteristics. Training an object classifier that is able to distinguish a large number of different object classes typically requires a tremendous amount of computational effort and training data. To partially overcome these problems, an iterative training method is proposed that improves recognition of frequently seen objects. Using a pre-trained convolutional neural network, backpropagation and stochastic gradient descent is used to update the network on every image of the dataset, which is not classified with an high enough confidence. To avoid biasing the classifier towards reappearing objects, we propose self-check. This method evaluates the classifier at every iterative training process on a subset of the initial training set to check if all classes are recognised correctly. Additionally, we use different data augmentation methods in different parts of the classification and training processes and show that if the images are augmented before the classification, the number of correct classified images decreases. We evaluated our method on the cat-10 dataset of the 3DNet database and show that by using the proposed iterative classification method the number of correctly classified objects can be improved by 20 - 30%.
en
dc.language
Deutsch
-
dc.language.iso
de
-
dc.rights.uri
http://rightsstatements.org/vocab/InC/1.0/
-
dc.subject
Objekterkennung
de
dc.subject
Neurales Netzwerk
de
dc.subject
Robotik
de
dc.subject
Object recognition
en
dc.subject
Neural Network
en
dc.subject
robotics
en
dc.title
Inkrementelles Lernen von Objektklassen mittels Neuronaler Netze
de
dc.title.alternative
Incremental Learning of Object Classes using Neural Netwerks
en
dc.type
Thesis
en
dc.type
Hochschulschrift
de
dc.rights.license
In Copyright
en
dc.rights.license
Urheberrechtsschutz
de
dc.identifier.doi
10.34726/hss.2017.45933
-
dc.contributor.affiliation
TU Wien, Österreich
-
dc.rights.holder
Martin Palkovits
-
dc.publisher.place
Wien
-
tuw.version
vor
-
tuw.thesisinformation
Technische Universität Wien
-
dc.contributor.assistant
Fäulhammer, Thomas
-
tuw.publication.orgunit
E376 - Institut für Automatisierungs- und Regelungstechnik
-
dc.type.qualificationlevel
Diploma
-
dc.identifier.libraryid
AC13734938
-
dc.description.numberOfPages
109
-
dc.identifier.urn
urn:nbn:at:at-ubtuw:1-100359
-
dc.thesistype
Diplomarbeit
de
dc.thesistype
Diploma Thesis
en
dc.rights.identifier
In Copyright
en
dc.rights.identifier
Urheberrechtsschutz
de
tuw.advisor.staffStatus
staff
-
tuw.assistant.staffStatus
staff
-
item.fulltext
with Fulltext
-
item.cerifentitytype
Publications
-
item.mimetype
application/pdf
-
item.openairecristype
http://purl.org/coar/resource_type/c_bdcc
-
item.languageiso639-1
de
-
item.openaccessfulltext
Open Access
-
item.openairetype
master thesis
-
item.grantfulltext
open
-
crisitem.author.dept
E354 - Electrodynamics, Microwave and Circuit Engineering
-
crisitem.author.parentorg
E350 - Fakultät für Elektrotechnik und Informationstechnik