mycoreobjectrosdok_thesis_0000000025rosdok_thesis_0000000025rosdokthesisrosdok_derivate_00000573962023-08-08T09:26:43.565Z2018-10-18T06:04:46.588ZadministratoreditorDpublished1rosdok_derivate_0000057396truetruederivate_types:fulltextVolltextfulltextwf_edit_epub wf_register_epubstate:publishedstate:publishedveröffentlichtpublishedrosdok/id000023171033561762Oau2018-10-182023-08-05T18:55:50ZrdaConverted from PICA to MODS using Pica2Mods XSLT Transformer 2.7 [SCM: "0c0e7a3c226a4a0cbcbec39b493c3c5257339ab8" "v2.7" "2023-08-04T00:00:00+0200"] with mode 'DEFAULT'.MasterarbeitHochschulschriftVisuelle Aufmerksamkeitsmodelle basierend auf neuronalen NetzwerkenNeural nezwork based visual attention modelsZiel dieser Arbeit war es, eine Architektur aufzubauen, welche sowohl die Lokalisierung als auch die Erkennung von Objekten in Bildern ermöglicht und dabei effizient skaliert. Inspiriert durch die Art und Weise der menschlichen Wahrnehmung, wird ein Modell konzipiert, welches mittels Aufmerksamkeit selektiv Bildregionen fokussiert und diese sequentiell verarbeitet. Konzepte aus dem überwachten und bestärkenden Lernen werden kombiniert, um ein globales Training des Modells zu ermöglichen. Die Arbeit endet mit Experimenten zum Klassifizieren von Ziffern und Lokalisieren von KFZ-Kennzeichen.The goal of this thesis was to create an architecture, which is able to both localize and recognize objects in a scene, while simultaneously scaling efficiently. Inspired by the way of the human perception, a model is designed to selectively focus its attention on different regions in an image and process them sequentially. By combining concepts from supervised and reinforcement learning, a method is created, which enables the architecture to be trained globally. The thesis ends with experiments on digit classification and license plate localisation.JohannesMichaelVerfasserInautTobiasGrüningAkademischeR BetreuerIndgsRogerLabahn1959 -AkademischeR BetreuerIndgs1709996450000-0003-1901-964438329-6Universität Rostock1419 -Grad-verleihende Institutiondgg2147083-2Universität RostockMathematisch-Naturwissenschaftliche FakultätGrad-verleihende Institutiondgghttp://purl.uni-rostock.de/rosdok/id00002317urn:nbn:de:gbv:28-thesis2018-0004-910.18453/rosdok_id00002317510 MathematikMathematisch-Naturwissenschaftliche Fakultätalle Rechte vorbehaltenNutzungsrechte erteiltfrei zugänglich (Open Access)Lizenz Metadaten: CC0deOnline-Ressource2016Universität RostockRostockmonographic201820162018Universitätsbibliothek RostockRostock2018Universitätsbibliothek Rostockhttp://purl.uni-rostock.de/rosdok/id00002317Johannes Michaeldoctype:epubdoctype:epubDokumenttypDocument typedoctype:epub.masterthesisdoctype:epub.masterthesisMasterarbeitmaster thesisdiniPublType:masterThesis diniPublType2022:MasterThesis XMetaDissPlusThesisLevel:masterinfo:eu-repo/semantics/masterThesisdocumentnatureOfContent:ppn_105825778natureOfContent:ppn_105825778HochschulschriftdiniPublType2022:MasterThesisdiniPublType2022:MasterThesisAbschlussarbeit (Master)master thesisDRIVERXMetaDissPlusThesisLevel:masterXMetaDissPlusThesisLevel:masterMasterarbeitmaster thesisSDNB:510SDNB:510510 Mathematik510 Mathematicsinstitution:unirostockinstitution:unirostockUniversität RostockUniversity of RostockUniversität RostockUniversität RostockUni.Rostockhttp://d-nb.info/gnd/38329-6institution:unirostock.mnfinstitution:unirostock.mnfMathematisch-Naturwissenschaftliche FakultätFaculty of Mathematics and Natural SciencesUniversität Rostock. Mathematisch-Naturwissenschaftliche FakultätMathematisch-Natur-<br />wissenschaftliche FakultätUni.Rostock.Fakultaet.MNFhttp://d-nb.info/gnd/2147083-2licenseinfo:worklicenseinfo:workWerkworklicenseinfo:work.rightsreservedlicenseinfo:work.rightsreservedalle Rechte vorbehaltenall rights reserved/creativecommons/r/reserved/0.9/88x31.png[DE-28]Urheberrechtsschutz 1.0$gRights Statements$uhttp://rightsstatements.org/vocab/InC/1.0/http://rightsstatements.org/vocab/InC/1.0/http://rightsstatements.org/vocab/InC/1.0/licenseinfo:depositlicenseinfo:depositVeröffentlichungsgenehmigungpermission to storelicenseinfo:deposit.rightsgrantedlicenseinfo:deposit.rightsgrantedNutzungsrechte erteiltrights grantedaccesscondition:openaccessaccesscondition:openaccessfrei zugänglich (Open Access)open accesshttp://purl.org/coar/access_right/c_abf2OAfreeinfo:eu-repo/semantics/openAccess[DE-28]Open Access$gControlled Vocabulary for Access Rights$uhttp://purl.org/coar/access_right/c_abf2licenseinfo:metadatalicenseinfo:metadataLizenzen für Metadatenlicenseinfo:metadata.cc0licenseinfo:metadata.cc0Lizenz Metadaten: CC0license metadata: CC0/creativecommons/p/zero/1.0/88x31.pnghttps://creativecommons.org/publicdomain/zero/1.0/rfc5646:derfc5646:deDeutschGermangerdeuVisuelle Aufmerksamkeitsmodelle basierend auf neuronalen NetzwerkenNeural nezwork based visual attention modelsVisuelle Aufmerksamkeitsmodelle basierend auf neuronalen Netzwerkengnd:170999645orcid:0000-0003-1901-9644gnd:38329-6gnd:2147083-2gnd:170999645orcid:0000-0003-1901-9644gnd:38329-6gnd:2147083-2rosdok_thesis_0000000025-d108307e56Johannes MichaelJohannes Michaelrosdok_thesis_0000000025-d108307e66Tobias GrüningTobias Grüningrosdok_thesis_0000000025-d108307e77gnd:170999645orcid:0000-0003-1901-9644Roger LabahnRoger Labahnrosdok_thesis_0000000025-d108307e93gnd:38329-6Universität RostockUniversität Rostockrosdok_thesis_0000000025-d108307e104gnd:2147083-2Universität Rostock Mathematisch-Naturwissenschaftliche FakultätUniversität Rostock Mathematisch-Naturwissenschaftliche FakultätJohannes MichaelTobias GrüningRoger LabahnUniversität RostockUniversität Rostock Mathematisch-Naturwissenschaftliche FakultätJohannes MichaelTobias GrüningRoger LabahnUniversität RostockUniversität Rostock Mathematisch-Naturwissenschaftliche FakultätJohannes MichaelRostockUniversität Rostockepub.masterthesishttp://purl.uni-rostock.de/rosdok/id00002317urn:nbn:de:gbv:28-thesis2018-0004-910.18453/rosdok_id00002317Ziel dieser Arbeit war es, eine Architektur aufzubauen, welche sowohl die Lokalisierung als auch die Erkennung von Objekten in Bildern ermöglicht und dabei effizient skaliert. Inspiriert durch die Art und Weise der menschlichen Wahrnehmung, wird ein Modell konzipiert, welches mittels Aufmerksamkeit selektiv Bildregionen fokussiert und diese sequentiell verarbeitet. Konzepte aus dem überwachten und bestärkenden Lernen werden kombiniert, um ein globales Training des Modells zu ermöglichen. Die Arbeit endet mit Experimenten zum Klassifizieren von Ziffern und Lokalisieren von KFZ-Kennzeichen.The goal of this thesis was to create an architecture, which is able to both localize and recognize objects in a scene, while simultaneously scaling efficiently. Inspired by the way of the human perception, a model is designed to selectively focus its attention on different regions in an image and process them sequentially. By combining concepts from supervised and reinforcement learning, a method is created, which enables the architecture to be trained globally. The thesis ends with experiments on digit classification and license plate localisation.20162016Johannes Michaelepub.masterthesis1 Michael_Master_2018.pdf 1985729 63f20afdca41d263eca6f0eab00ef338 rosdok/id000023171033561762Oau2018-10-182023-08-05T18:55:50ZrdaConverted from PICA to MODS using Pica2Mods XSLT Transformer 2.7 [SCM: "0c0e7a3c226a4a0cbcbec39b493c3c5257339ab8" "v2.7" "2023-08-04T00:00:00+0200"] with mode 'DEFAULT'.MasterarbeitHochschulschriftVisuelle Aufmerksamkeitsmodelle basierend auf neuronalen NetzwerkenNeural nezwork based visual attention modelsZiel dieser Arbeit war es, eine Architektur aufzubauen, welche sowohl die Lokalisierung als auch die Erkennung von Objekten in Bildern ermöglicht und dabei effizient skaliert. Inspiriert durch die Art und Weise der menschlichen Wahrnehmung, wird ein Modell konzipiert, welches mittels Aufmerksamkeit selektiv Bildregionen fokussiert und diese sequentiell verarbeitet. Konzepte aus dem überwachten und bestärkenden Lernen werden kombiniert, um ein globales Training des Modells zu ermöglichen. Die Arbeit endet mit Experimenten zum Klassifizieren von Ziffern und Lokalisieren von KFZ-Kennzeichen.The goal of this thesis was to create an architecture, which is able to both localize and recognize objects in a scene, while simultaneously scaling efficiently. Inspired by the way of the human perception, a model is designed to selectively focus its attention on different regions in an image and process them sequentially. By combining concepts from supervised and reinforcement learning, a method is created, which enables the architecture to be trained globally. The thesis ends with experiments on digit classification and license plate localisation.JohannesMichaelVerfasserInautTobiasGrüningAkademischeR BetreuerIndgsRogerLabahn1959 -AkademischeR BetreuerIndgs1709996450000-0003-1901-964438329-6Universität Rostock1419 -Grad-verleihende Institutiondgg2147083-2Universität RostockMathematisch-Naturwissenschaftliche FakultätGrad-verleihende Institutiondgghttp://purl.uni-rostock.de/rosdok/id00002317urn:nbn:de:gbv:28-thesis2018-0004-910.18453/rosdok_id00002317510 MathematikMathematisch-Naturwissenschaftliche Fakultätalle Rechte vorbehaltenNutzungsrechte erteiltfrei zugänglich (Open Access)Lizenz Metadaten: CC0deOnline-Ressource2016Universität RostockRostockmonographic201820162018Universitätsbibliothek RostockRostock2018Universitätsbibliothek Rostockhttp://purl.uni-rostock.de/rosdok/id00002317Johannes Michael 2018-10-18T06:04:46.588Z 2023-08-08T09:26:43.565Z 2023-08-18T09:26:43.578Z {"identifier":"rosdok/id00002317","type":"local_id","additional":"","service":"MCRLocalID","created":"2018-10-18T06:04:51.358Z"} editorD {"identifier":"http://purl.uni-rostock.de/rosdok/id00002317","type":"purl","additional":"","service":"RosDokPURL","created":"2018-10-18T06:17:32.401Z","registered":"2018-10-18T06:17:32.401Z"} {"identifier":"10.18453/rosdok_id00002317","type":"doi","additional":"","service":"RosDokDOI","created":"2018-10-18T06:17:34.339Z","registered":"2018-10-18T06:17:34.339Z"} {"identifier":"urn:nbn:de:gbv:28-thesis2018-0004-9","type":"dnbUrn","additional":"","service":"RosDokURN","created":"2018-10-18T06:04:52.004Z","registered":"2018-10-19T02:15:11.670Z"} administratorfulltextfile/rosdok_thesis_0000000025/rosdok_derivate_0000057396/Michael_Master_2018.pdfVisuelle Aufmerksamkeitsmodelle basierend auf neuronalen NetzwerkenNeural nezwork based visual attention modelsVisuelle Aufmerksamkeitsmodelle basierend auf neuronalen Netzwerkengnd:170999645orcid:0000-0003-1901-9644gnd:38329-6gnd:2147083-2gnd:170999645orcid:0000-0003-1901-9644gnd:38329-6gnd:2147083-2rosdok_thesis_0000000025-d108307e56Johannes MichaelJohannes Michaelrosdok_thesis_0000000025-d108307e66Tobias GrüningTobias Grüningrosdok_thesis_0000000025-d108307e77gnd:170999645orcid:0000-0003-1901-9644Roger LabahnRoger Labahnrosdok_thesis_0000000025-d108307e93gnd:38329-6Universität RostockUniversität Rostockrosdok_thesis_0000000025-d108307e104gnd:2147083-2Universität Rostock Mathematisch-Naturwissenschaftliche FakultätUniversität Rostock Mathematisch-Naturwissenschaftliche FakultätJohannes MichaelTobias GrüningRoger LabahnUniversität RostockUniversität Rostock Mathematisch-Naturwissenschaftliche FakultätJohannes MichaelTobias GrüningRoger LabahnUniversität RostockUniversität Rostock Mathematisch-Naturwissenschaftliche FakultätJohannes MichaelRostockUniversität Rostockepub.masterthesishttp://purl.uni-rostock.de/rosdok/id00002317urn:nbn:de:gbv:28-thesis2018-0004-910.18453/rosdok_id00002317Ziel dieser Arbeit war es, eine Architektur aufzubauen, welche sowohl die Lokalisierung als auch die Erkennung von Objekten in Bildern ermöglicht und dabei effizient skaliert. Inspiriert durch die Art und Weise der menschlichen Wahrnehmung, wird ein Modell konzipiert, welches mittels Aufmerksamkeit selektiv Bildregionen fokussiert und diese sequentiell verarbeitet. Konzepte aus dem überwachten und bestärkenden Lernen werden kombiniert, um ein globales Training des Modells zu ermöglichen. Die Arbeit endet mit Experimenten zum Klassifizieren von Ziffern und Lokalisieren von KFZ-Kennzeichen.The goal of this thesis was to create an architecture, which is able to both localize and recognize objects in a scene, while simultaneously scaling efficiently. Inspired by the way of the human perception, a model is designed to selectively focus its attention on different regions in an image and process them sequentially. By combining concepts from supervised and reinforcement learning, a method is created, which enables the architecture to be trained globally. The thesis ends with experiments on digit classification and license plate localisation.20162016Johannes Michael[xslt]Saxonrosdok/id00002317https://purl.uni-rostock.de/rosdok/id00002317103356176210.18453/rosdok_id00002317urn:nbn:de:gbv:28-thesis2018-0004-9Johannes MichaelMichael JohannesVisuelle Aufmerksamkeitsmodelle basierend auf neuronalen NetzwerkenMasterarbeitmaster thesisUniversität Rostock, 2016Ziel dieser Arbeit war es, eine Architektur aufzubauen, welche sowohl die Lokalisierung als auch die Erkennung von Objekten in Bildern ermöglicht und dabei effizient skaliert. Inspiriert durch die Art und Weise der menschlichen Wahrnehmung, wird ein Modell konzipiert, welches mittels Aufmerksamkeit…Johannes MichaelVisuelle Aufmerksamkeitsmodelle basierend auf neuronalen NetzwerkenNeural nezwork based visual attention modelsUniversitätsbibliothek Rostockhttp://purl.uni-rostock.de/rosdok/id00002317JohannesMichaelVerfasserInautTobiasGrüningAkademischeR BetreuerIndgsRogerLabahn1959 -AkademischeR BetreuerIndgs1709996450000-0003-1901-964438329-6Universität Rostock1419 -Grad-verleihende Institutiondgg2147083-2Universität RostockMathematisch-Naturwissenschaftliche FakultätGrad-verleihende Institutiondgg[purl]http://purl.uni-rostock.de/rosdok/id00002317[urn]urn:nbn:de:gbv:28-thesis2018-0004-9[doi]10.18453/rosdok_id00002317open_access20162016epoch:21th_centuryrfc5646:dedoctype:epub.masterthesisaccesscondition:openaccessSDNB:510institution:unirostock.mnfstate:published