Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Large-Scale Scene Recognition Based on Extreme Learning Machines Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Multi-modal Deep Extreme Learning Machine for Robotic Grasping Recognition

verfasst von : Jie Wei, Huaping Liu, Gaowei Yan, Fuchun Sun

Erschienen in: Proceedings of ELM-2015 Volume 2

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Learning rich representations efficiently plays an important role in multi-modal recognition task, which is crucial to achieve high generalization performance. To address this problem, in this paper, we propose an effective Multi-Modal Deep Extreme Learning Machine (MM-DELM) structure, while maintaining ELM’s advantages of training efficiency. In this structure, unsupervised hierarchical ELM is conducted for feature extraction for all modalities separately. Then, the shared layer is developed by combining these features from all of modalities. Finally, the Extreme Learning Machine (ELM) is used as supervised feature classifier for final decision. Experimental validation on Cornell grasping dataset illustrates that the proposed multiple modality fusion method achieves better grasp recognition performance.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Automated Human Facial Expression Recognition Using Extreme Learning Machines
Nächstes Kapitel Denoising Deep Extreme Learning Machines for Sparse Representation
Literatur
1.
Hornik, K.: Approximation capabilities of multilayer feedforward networks. Neural Netw. 4, 251C257 (1991)
2.
Huang, G., Babri, H.A.:.Upper bounds on the number of hidden neurons in feedforward networks with arbitrary bounded nonlinear activation functions. IEEE Trans. Neural Netw. 9(1), 224C229 (1998)
3.
Leshno, M., Lin, V. Y., Pinkus, A., Schocken, S.: Multilayer feedforward networks with a nonpolynomial activation function can approximate any function. Neural Netw. 6, 861C867 (1993)
4.
Huang, G., Zhu, Q., Siew, C.: Extreme learning machine: theory and applications. Neurocomputing 70, 489–501 (2006)CrossRef
5.
Huang, G., Zhu, Q., Siew, C.: Extreme learning machine: a new learning scheme of feedforward neural networks. In: Proceedings of International Joint Conference on Neural Network(IJCNN), vol. 2, pp. 985–990 (2004)
6.
Huang, G., Zhou, H., Ding, X., Zhang, R.: Extreme learning machine for regression and multiclass classification. IEEE Trans. Syst. Man Cybern.-Part B: Cybern. 42(2), 513–529 (2012)CrossRef
7.
Li, M.B., Huang, G.B., Saratchandran, P., Sundararajan, N.: Fully complex extreme learning machine. Neurocomputing 68, 306C314 (2005)
8.
Cambria, E., Huang, G.: Extreme learning machines-representational learning with ELMs for big data. IEEE Intell. Syst. 28(6), 30–59 (2013)CrossRef
9.
Yu, W., Zhuang, F., He, Q., Shi, Z.: Learning deep representations via extreme learning machines. Neurocomputing 149, 308–315 (2015)CrossRef
10.
Zhu, W., Miao, J., Qing, L., Huang, G.: Hierarchical extreme learning machine for unsupervised representation learning. Neurocomputing (in press)
11.
Uzair, M., Shafait, F., Ghanem, B., Mian, A.: Representation learning with deep extreme learning machines for efficient image set classification, pp. 1–10 (2015). arXiv: arXiv:​1503.​02445
12.
Tang, J., Deng, C., Huang, G.: Extreme learning machine for multilayer perceptron. IEEE Trans. Neural Netw. Learn. Syst., 1–13 (2015)
13.
Feng, G., Huang, G., Lin, Q., Gay, R.: Error minimized extreme learning machine with growth of hidden nodes and incremental learning. IEEE Trans. Neural Netw. 20(8), 1352–1357 (2009)CrossRef
14.
Ding, S., Zhang, N., Xu, X., Guo, L., Zhang, J.: Deep extreme learning machine and its application in EEG classification. Math. Probl. Eng., 1–12 (2014)
15.
Sahbani, A., El-Khoury, S., Bidaud, P.: An overview of 3D object grasp synthesis algorithms. Robot. Auton. Syst. 60, 326–336 (2012)CrossRef
16.
Bohg, J., Morales, A., Asfour, T., Kragic, D.: Data-driven Grasp SynthesisłA survey. IEEE Trans. Robot. 30(2), 289–309 (2014)CrossRef
17.
Lai, K., Bo, L., Ren, X., Fox, D.: A large-scale hierarchical multi-view RGB-D object dataset. In: International Conference on Robotics and Automation(ICRA), pp. 1817–1824 (2011)
18.
Bai, J., Wu, Y.: SAE-RNN deep learning for RGB-D based object recognition. Intell. Comput. Theory, 235–240 (2014)
19.
Beksi, W.J., Papanikolopoulos, N.: Object classification using dictionary learning and RGB-D covariance descriptors. In: International Conference on Robotics and Automation (ICRA), pp. 1–6 (2015)
20.
Lenz, I., Lee, H., Saxena, A.: Deep learning for detecting robotic grasps. Int. J. Robot. Res. 34(4–5), 705–724 (2015)CrossRef
Metadaten
Titel
Multi-modal Deep Extreme Learning Machine for Robotic Grasping Recognition
verfasst von
Jie Wei
Huaping Liu
Gaowei Yan
Fuchun Sun
Copyright-Jahr
2016
Buch
Proceedings of ELM-2015 Volume 2

Print ISBN: 978-3-319-28372-2

Electronic ISBN: 978-3-319-28373-9

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-28373-9_19