Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)

Slides:



Advertisements
Ähnliche Präsentationen
Präsentiert von Torben Pastuch
Advertisements

Seminarankündigung für das SS04
Perceptrons and the perceptron learning rule
Kohonennetze für Information Retrieval mit User Feedback
IT-Projektmanagement
Intelligente Anwendungen im Internet
4. Konzepte des Konnektionismus – Theorie Künstlich Neuronaler Netze
Lineare Interpolation - Beispiel
Die vorgeschlagene adaptive Methode filtriert die TCP/IP Verkehr auf der Basis von dem adaptiven Lernen einer KNN mit Paketen-Headers, die verschiedenen.
Übung 5 Mehrstufige Client/Server-Systeme mit Enterprise Java Beans
Vorlesung: Prof. Norbert Fuhr
Marvin Minsky und das Perceptron
FMEA Fehler-Möglichkeits- und Einfluß-Analyse Design- und Prozeß-FMEA
Automatentheorie „Berechnungsmodell für logische Sprachen“
IIW Erläuterungen zum Masterprogramm. IIW-MS Allgemeine Fachmodule (60) – Studienarbeit + Seminar (18) – Betrieb und Management (6) Nichttechnische Ergänzungsfächer.
© Karin Haenelt 2005, Endliche Automaten: Alphabet, Zeichenreihe, Sprache, Endliche Automaten Grundlagen: Alphabet, Zeichenreihe, Sprache.
Entscheidungsunterstützungssysteme IWI Frankfurt 2003
Studien und Forschungsberichte Nähere Informationen zu den Inhalten und den Bezugsmöglichkeiten unserer Studien erhalten Sie unter
Integration von maschineller Intelligenz in Automatisierungslösungen
PG 487 Methoden der Computational Intelligence in der Bioinformatik
Christian Schindelhauer
UNIVERSITY OF PADERBORN Projektgruppe KIMAS Projektgruppe KIMAS Organisatorisches Andreas Goebels.
Uebung 03 Netzdateien.
Uebung 01 ANN mit MATLAB.
zur Vorlesung Neuronale Netzwerke
Fachbereich Mathematik/Informatik Universität Osnabrück
Wismar Business School
Praktikum Künstliche Intelligenz
Praktikum Künstliche Intelligenz
Übung zur Vorlesung Künstliche Intelligenz Vorbereitungstreffen: Organisatorisches und Einführung.
Übung zur Vorlesung Künstliche Intelligenz
Künstlich Neuronale Netze
Kennlinie Lichtregelung in JavaNNS Version 1.1
Künstlich Neuronale Netze
2. Biologische Neuronen Schematischer Aufbau einer Nervenzelle
Vorlesung: Einführung in der Bioinformatik
Data Documentation Initiative (DDI)
Grundlagen der Künstlichen Intelligenz
Neuronale Netze 2 (Mitchell Kap. 4)
Übung zur Fallstudienforschung Kai Reimers WS 2004/05.
Neuronale Netze Die Lernmatrix nach Karl Steinbuch
Computergrafik – Inhalt Achtung! Kapitel ist relevant für CG-2!
Security Scanner Design am Beispiel von httprecon
Clustered Neuronal Network A C#.NET project for Compute Cluster Server 2003.
Why connectionism? Backpropagation Netzwerke
1 Dipl.-Ing.(FH) Oliver Schulte In Kooperation mit Thema : Objektorientierte Realisierung eines Programms zur Erkennung von Vogelstimmen mit Hilfe Neuronaler.
Adaptive Systeme-2 Grundlagen
Prof. Dr. Martin Kleinsteuber Dipl.-Ing. Simon Hawe
Neuronale Netze Nachtrag Perzeptron


Institut für Wirtschaftsinformatik – Software Engineering, JKU Linz 1 Algorithmen und Datenstrukturen SS 2005 Mag.Th. Hilpold u. Dr. A.Stritzinger Institut.
Algorithm Engineering „GPU Algorithmen“
Dipl.-Math. N. Schuhmann IPA Anwenderforum 2001 Detektion von scharfen Kanten aus unstrukturierten Punktwolken und Anwendungen Ergebnisse aus dem Forschungsprojekt.
Determinanten und Cramer‘sche Regel
© &.com Part Average Analysis PAA Rev. 2.0 / Grundlage der Methodik P AA.
Institut für Kartographie und Geoinformation Prof. Dr. Lutz Plümer Diskrete Mathematik II Vorlesung 6 SS 2001 Segmentschnitt III.
Hauptseminar: Digitale Medien
Prof. Dr. Reinhold Kosfeld Zeitreihenanalyse
The PicSOM Retrieval System 1 Christian Steinberg.
Anwendung der Ellipsoidmethode in der Kombinatorischen Optimierung
Lernen 1. Vorlesung Ralf Der Universität Leipzig Institut für Informatik
Software Verification 2 Automated Verification Prof. Dr. Holger Schlingloff Institut für Informatik der Humboldt Universität and Fraunhofer Institut für.
Univ.-Prof. Dr.-Ing. H. Nacken Vorlesung Wasserwirtschaftliche Modellierung Themen: Vorlesung 8 Neuronale Netze (ANN) Trainingsformen von Neuronalen Netzen.
Organisation Referate Materialien Dritter Termin Workshop 27.Oktober 2010 Projektseminar WS 09/10 Konnektionistische Sprachverarbeitung 1.
Independent Component Analysis: Analyse natürlicher Bilder Friedrich Rau.
Einführung Grundlagen Zwischenfazit Deep Learning Probleme Fazit
Emanuel Mistretta Lukas Schönbächler
Intelligent Data Mining
Tipp für alle Präsentationen: Verwende Bilder die klar und prägnant sind um die vorgestellten Konzepte gründlich zu erklären. Bitte die Quellen lesen und.
 Präsentation transkript:

Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS) 27.03.2017 Anwendung von KNN Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS) Daniel Andree SS 2005 Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)

Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS) 27.03.2017 Inhalt Aufgabenstellung Aufbereitung der Bildinformationen Normierung und Reduzierung der Graustufenmatrizen Architektur des KNN Trainingsmethode Lernkurve Bewertung der Ergebnisse Quellen Fragen SS 2005 Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)

Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS) 27.03.2017 Aufgabenstellung Erkennung von Gesichtsmerkmalen (Biometric) 10 verschiedener Personen mit Hilfe eines neuronalen Netzes unter der Entwicklungsumgebung des Stuttgarter neuronalen Netzes SS 2005 Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)

Aufbereitung der Bildinformationen 27.03.2017 Aufbereitung der Bildinformationen Prinzip: Umwandlung der Graustufenbilder in eine auf 1 normierte Matrix Graustufenwerte Graustufenmatrix SS 2005 Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)

Normierung und Reduzierung der Graustufenmatrizen 27.03.2017 Normierung und Reduzierung der Graustufenmatrizen Prinzip: Normierung der Matrizen mit Hilfe des Mittelwertes und der Standartabweichung Reduzierung der 112x93 Matrizen auf 31x28 Matrizen um Größe des KNN zu reduzieren Normierung bewirkt einen verringerten Einfluss unterschiedlicher Belichtungsstärken SS 2005 Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)

Architektur des KNN Prinzip: feedforward-Netz mit folgender Typologie 27.03.2017 Architektur des KNN Prinzip: feedforward-Netz mit folgender Typologie Output Layer 10x1 Hidden Layer 40x1 Graustufenmatrix (31x28) (Input Layer) SS 2005 Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)

Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS) 27.03.2017 Trainingsmethode Prinzip: Lernalgorithmus: Quickpropagation Update Mode: Topological Order Initialisierungs-Funktion: Randomise Weights Remap Funktion: Linear Scale Ist die gebräuchlichste Methode für feedforward-Netze da die Berechnung typologisch erfolgt. Das heißt die Neuronen werden in der Reihfolge der Layer berechnet SS 2005 Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)

Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS) Lernkurve Trainingsdaten Valdierdaten SS 2005 Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)

Bewertung der Ergebnisse 27.03.2017 Bewertung der Ergebnisse SS 2005 Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)

Bewertung der Ergebnisse II 27.03.2017 Bewertung der Ergebnisse II SS 2005 Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)

Bewertung der Ergebnisse III Bilder welche falsch erkannt wurden Trainingsdaten Valdierdaten Die Fehlerkennung für die Validierdaten betrug 6,7% Die Fehlererkennung für die Gesamtdaten betrug 2% SS 2005 Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)

Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS) 27.03.2017 Quellen [Arbib1998] Arbib, Michael A. ed.: The Handbook of Brain Theory and Neural Networks. MIT-Press (Cambridge, MA), 1998. [Bartlett2001] Bartlett, Marian Stewart: Face Image Analysis by Unsupervised Learning, Kluwer Academic Publishers, 2001 [Brömme2002] Brömme, A., Kronberg, M., Ellenbeck, O., Kasch, O.: A Conceptual Framework for Testing Biometric Algorithms within Operating Systems’ Authentication, SAC 2002, Madrid [Duden1995] DUDEN - Das Fremdwörterbuch © Bibliographisches Institut & F.A. Brockhaus AG, Mannheim 1995 [Görz1995] Görz, Günther (Hrsg.): Einführung in die Künstliche Intelligenz, Addison- Wesley, 1995 [Hofmann2002] http://www.markus-hofman.de [Henke1999] Henke, Stefan: Verfahren der biometrischen Authentisierung und deren Unterstützung durch Chipkarten, 1999 [Jain1999] Jain, L.C., Halici, U., Hayashi, I., Lee, S.B., Tsutsui, S.:Intelligent Biometric Techniques in Fingerprint and Face Recognition, CRC Press, 1999. [Kandel1991] Kandel, E., Schwartz, J.H., Jessel, T.M.: Principles of Neural Science, 3rd Edition, Appleton & Lange, 1991 ORL (Olivetti Research Laboratory) Database of Faces SS 2005 Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)

Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS) 27.03.2017 Fragen Fragen Sie bitte! SS 2005 Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)