Tipp

Weitere Kapitel dieses Buchs durch Wischen aufrufen

2021 | OriginalPaper | Buchkapitel

14. Neuronale Netze mit Faltungsschichten

Erstes Kapitel lesen

(Convolutional Neuronal Networks)

Autor: Martin Werner

Verlag: Springer Fachmedien Wiesbaden

Erschienen in: Digitale Bildverarbeitung

» Jetzt Zugang zum Volltext erhalten

Zusammenfassung

Typische neuronale Klassifikationsnetze lassen sich durch Faltungsschichten erweitern. Eine Batterie linearer Filter mit spezifischen, gelernten Faltungskernen hebt Merkmale im Bild hervor, die die nachfolgende Klassifizierung unterstützen. Dazu wird der Backpropagation-Algorithmus so erweitert, dass auch die Faltungskerne mitoptimiert werden. Neuronale Netze mit Faltungsschichten zur Merkmalsextraktion und mit Vorwärtsstrukturen zur Klassifizierung werden häufig in der Mustererkennung bei Bildern eingesetzt. Erkennungsquoten von 95 % und mehr können in Beispielen erreicht werden.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Jetzt einloggen Kostenlos registrieren

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

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

über 69.000 Bücher
über 500 Zeitschriften

aus folgenden Fachgebieten:

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

Testen Sie jetzt 30 Tage kostenlos.

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 50.000 Bücher
über 380 Zeitschriften

aus folgenden Fachgebieten:

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

Testen Sie jetzt 30 Tage kostenlos.

Jetzt informieren

Birbaumer, N., & Schmidt, R. F. (2010). Biologische Psychologie (7. Aufl.). Heidelberg: Springer. CrossRef

Carter, R., Aldrige, S., Page, M., & Parker, S. (2010). Das Gehirn. Anatomie, Sinneswahrnehmung, Gedächtnis, Bewusstsein, Störungen. München: Dorling Kindersley

Gonzalez, R. C. (2018). Deep convolutional neural networks [Lecture Notes]. IEEE Signal Processing Magazine, 35(6), 79–87. https://doi.org/10.1109/MSP.2018.2842646. CrossRef

Gonzalez, R. C., & Woods, R. E. (2018). Digital image processing (4. Aufl.). Harlow: Pearson.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. Cambridge: MIT Press. MATH

Ioffe, S., & Szegdedy, C. (2015). Batch normalization: Accelerating deep network Training by reducing internal covariate shift. arXiv preprint arXiv: 1502.03167.

Kim, P. (2017). Matlab deep learning. With machine learning, neural networks and artificial intelligence. Apress. https://doi.org/10.1007/978-1-4842-2845-6. CrossRef

Redmon, R. C. (2020). Download 18.04.2020. https://pjreddie.com/projects/mnist-in-csv/.

Schandry, R. (2006). Biologische Psychologie (2. Aufl.). Weinheim: Beltz.

Titel

Neuronale Netze mit Faltungsschichten

Buch

Digitale Bildverarbeitung

Print ISBN: 978-3-658-22184-3

Electronic ISBN: 978-3-658-22185-0

https://doi.org/10.1007/978-3-658-22185-0

DOI

https://doi.org/10.1007/978-3-658-22185-0_14

Autor:

Martin Werner

Verlag

Springer Fachmedien Wiesbaden

Sequenznummer

Kapitelnummer

Kapitel 14