Lernen mit wenigen Beispielen für die visuelle Objekterkennung

dc.contributor.author	Rodner, Erik
dc.contributor.editor	Hölldobler, Steffen
dc.contributor.editor	et al.
dc.date.accessioned	2020-08-21T08:44:12Z
dc.date.available	2020-08-21T08:44:12Z
dc.identifier.isbn	978-3-88579-416-5
dc.identifier.issn	1617-5468
dc.identifier.uri	http://dl.gi.de/handle/20.500.12116/33697
dc.description.abstract	Das maschinelle Lernen aus wenigen Beispielen ist ein wichtiges und entscheidendes Problem bei vielen visuellen Erkennungsaufgaben, besonders in industriellen Anwendungen. Im Gegensatz zum Menschen benötigen viele aktuelle Verfahren meistens Hunderte von beschrifteten Beispielbildern. Die Dissertation "Learning with Few Examples for Visual Recognition Problems" beschäftigt sich mit diesem Problem und stellt Lösungsmoöglichkeiten vor, welche sich auf die Verwendung zweier Konzepte stützen: Lerntransfer und Ein-Klassen-Klassifikation. Das folgende Dokument bietet eine Zusammenfassung der Ergebnisse der Dissertation.	de
dc.language.iso	de
dc.publisher	Gesellschaft für Informatik
dc.relation.ispartof	Ausgezeichnete Informatikdissertationen 2011
dc.relation.ispartofseries	Lecture Notes in Informatics (LNI) - Dissertations, Volume D-12
dc.title	Lernen mit wenigen Beispielen für die visuelle Objekterkennung	de
dc.pubPlace	Bonn
mci.reference.pages	151-160