19.11.2018, 15:00 Uhr
Universität Wien
Besprechungsraum 5.35
Währinger Straße 29
1090 Wien
Titel: „Mining Part-Whole Relations of Common Sense Concepts from Unlabeled Image Data“
Kurzfassung
Visual Common Sence (VCS) ist ein aufstrebendes Forschungsgebiet im Bereich des maschinellen Lernens (Machine Learning, ML), welches es Systemen ermöglicht, Rückschlüsse aus visuellen Daten zu ziehen und durch visuelle Wahrnehmungen zu lernen. Unüberwachtes Lernen (Unsupervised Learning) ermöglicht es zudem ML-Systme ohne vorklassifizierte Traininsdatensätzen (unlabelded data) zu trainieren und dabei die Entwicklung einer neuen Generartion künstlicher Intelligenz (AI) voran zu treiben. Das Ziel dieser Masterarbeit ist es zu überprüfen, ob es möglich ist diskriminierende und repräsentative Konzept-Teile (semantische Teile) aus visuellen Darstellungen verschiedener Konzepte mittels nicht-vorklassifizierten Bilddaten zu extrahieren. Semantische Teile stellen entscheidende Merkmale des Konzepts dar und ermöglichen die Erkennung des Konzepts und die Unterscheidung gegenüber anderen Konzepten. Die Bilddaten werden unter Verwendung der Flickr-API abgerufen und in einem nicht überwachten mehrstufigen System verarbeitet um Patches zu extrahieren und spezialisierte Teildetektoren zu erzeugen. Jeder Teildetektor stellt einen bestimmen charakterisierenden Aspekt (semantischer Teil) des Konzepts dar und kombiniert mehrere semantsiche Patches. Die Teildetektoren sind wiederum in entsprechende Gruppen unterteilt, die bestimmte perspektivische Ansichten der Konzeptionsdarstellung repräsentieren. Der entwickelte Ansatz verwendet eine Exemplar-basierte lineare Diskriminanzfunktion (exemplar linear discriminant analysis, eLDA), die eine hohe Rechenleistung ermöglicht. Es wird gezeigt, dass semantische Patches automatisch aus beliebigen Konzepten extrahiert werden können, um semantische Teildetektoren zu erstellen, die repräsentative und diskriminierende Teile des Konzepts erkennen können. Darüber hinaus werden Verbessungspotenziale und mögliche Erweiterungen aufgeführt, um zukünftige aufbauende Arbeiten zu unterstützen. Die Methodik dieser Masterarbeit wird anhand eines umfangreichten Benchmarks unter Verwendung verschiedener Konzepte, die im PASCAL VOC 2007 Datensatz enthalten sind, bewertet.