Unüberwachtes Lernen von hierarchischen Bildrepräsentationen auf der Basis von probabilistischen Modellen

• Antragsteller: Professor Dr. Matthias Bethge
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2011 bis 2016
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 200403176

Die wesentliche Herausforderung des autonomen Lernens besteht darin, mit der großen Komplexität der Umwelt umzugehen. Theoretische Überlegungen sowie Beobachtungen aus der Biologie sprechen dafür, dass hierarchisch aufgebaute Repräsentationen besonders gut dazu geeignet sind. Diese Tatsache wird jedoch erst seit der Einführung von neuen Lernverfahren auch durch empirische Resultate aus dem Bereich des maschinellen Lernens unterstützt. In unserer Arbeitsgruppe durchgeführte quantitative Analysen haben aber auch entscheidende Verbesserungsmöglichkeiten bei den aktuellen hierarchischen Modellen aufgedeckt. Im Rahmen dieses Projekts wollen wir daher Lernmethoden herleiten, die auf den Erkenntnissen dieser quantitativen Analysen aufbauen. Komplementär dazu werden wir hierarchische Bildmodelle entwickeln, die leistungsfähige Bildrepräsentationen versprechen und die von den neuen Lernalgorithmen profitieren können. Da uns die Quantifizierung des Fortschritts besonders wichtig ist, werden wir auch die Evaluierung neuer Modelle und Verfahren sowie die Entwicklung weiterer Kriterien zur Bewertung von gelernten Modellen in diesem Projekt weiter vorantreiben.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 1527: Autonomes Lernen