KIT | KIT-Bibliothek | Impressum | Datenschutz
Open Access Logo
§
Volltext
DOI: 10.5445/IR/1000084890
Veröffentlicht am 30.07.2018

Semantic Attributes for Transfer Learning in Visual Recognition

Al Halah, Ziad

Abstract:
Angetrieben durch den Erfolg von Deep Learning Verfahren wurden in Bezug auf künstliche Intelligenz erhebliche Fortschritte im Bereich des Maschinenverstehens gemacht. Allerdings sind Tausende von manuell annotierten Trainingsdaten zwingend notwendig, um die Generalisierungsfähigkeit solcher Modelle sicherzustellen. Darüber hinaus muss das Modell jedes Mal komplett neu trainiert werden, sobald es auf eine neue Problemklasse angewandt werden muss. Dies führt wiederum dazu, dass der sehr kostenintensive Prozess des Sammelns und Annotierens von Trainingsdaten wiederholt w ... mehr

Abstract (englisch):
Energized with the rise of deep learning models, artificial intelligence made large strides in bringing machine understanding to the realm of human performance. However, in order to generalize well these models rely heavily on the availability of thousands of manually labeled examples. Additionally, whenever a new task is encountered the learning starts from scratch and the expensive process of collecting additional training data is repeated. This significantly limits the scalability of such models. On the other hand, we - humans - do not learn new tasks in isolation. ... mehr


Zugehörige Institution(en) am KIT Institut für Anthropomatik und Robotik (IAR)
Publikationstyp Hochschulschrift
Jahr 2018
Sprache Englisch
Identifikator URN: urn:nbn:de:swb:90-848905
KITopen ID: 1000084890
Verlag Karlsruhe
Umfang X, 154 S.
Abschlussart Dissertation
Fakultät Fakultät für Informatik (INFORMATIK)
Institut Institut für Anthropomatik und Robotik (IAR)
Prüfungsdatum 05.02.2018
Referent/Betreuer Prof. R. Stiefelhagen
Schlagworte fine-grained visual recognition, transfer learning, zero-shot learning, attribute discovery, fashion forecast
KIT – Die Forschungsuniversität in der Helmholtz-Gemeinschaft KITopen Landing Page