haku: @keyword pattern recognition / yhteensä: 31
hakutulos-lista
viite: 6 / 31
« edellinen | seuraava »
Tekijä:Hao, Tele
Työn nimi:Gated Boltzmann machine in texture modeling
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2012
Sivut:(11) + 70 s. + liitt. 3      Kieli:   eng
Koulu/Laitos/Osasto:Tietotekniikan laitos
Oppiaine:Informaatiotekniikka   (T-61)
Valvoja:Karhunen, Juha
Ohjaaja:Raiko, Tapani
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto     | Arkisto
Avainsanat:machine learning
unsupervised learning
deep learning
Boltzmann machine
texture analysis
pattern recognition
Tiivistelmä (eng): Recently, a new type of neural network method, namely deep learning, was discovered, which yielded excellent results in various tasks such as handwritten digit recognition, speech recognition and facial expression recognition.
Different from traditional multi-layer perceptron learning methods (MLP), an unsupervised pre-training step before supervised learning is of huge importance in learning successful features.
Also, it is argued that the deep architecture has more expressive power comparing to the conventional shallow networks, such as support vector machine or multi-layer perceptron's.

Even though deep learning has yielded a large amount of world-class records in different tasks, there is little research on how the deep network can be used in texture analysis.

For this particular problem, we consider the problem of modelling complex texture information using undirected probabilistic graphical models.
Texture is a special type of data that one can better understand by considering its local structure.
For that purpose, we propose a convolutional variant of the Gaussian gated Boltzmann machine (GGBM), inspired by the co-occurrence matrix in traditional texture analysis.
We also link the proposed model to a much simpler Gaussian restricted Boltzmann machine where convolutional features are computed as a pre-processing step.
The usefulness of the model is illustrated in texture classification and reconstruction experiments.
ED:2013-01-07
INSSI tietueen numero: 45744
+ lisää koriin
« edellinen | seuraava »
INSSI