Lernen situationsunabhängiger Personenerkennung
| dc.contributor.author | Müller, Marco K. | |
| dc.contributor.author | Tremer, Michael | |
| dc.contributor.author | Bodenstein, Christian | |
| dc.contributor.author | Würtz, Rolf P. | |
| dc.date.accessioned | 2018-01-05T11:49:48Z | |
| dc.date.available | 2018-01-05T11:49:48Z | |
| dc.date.issued | 2012 | |
| dc.description.abstract | In den vergangenen Jahren hat die automatische Gesichtserkennung so große Fortschritte gemacht, dass kommerzielle Systeme teilweise bessere Erkennungsraten erreichen als Versuchspersonen. Dennoch bleibt die Erkennung in verschiedenen Situationen schwierig. Wir stellen ein System vor, das auf Ranglistenähnlichkeit basiert und, getreu den Prinzipien von Organic Computing, Veränderung der Situation rein aus Beispielen lernt. Wir demonstrieren den Erfolg am Beispiel von Posen- und Beleuchtungsänderungen anhand einer großen Datenbank chinesischer Gesichter. Die Auswertung kann durch ein schnelles pulsbasiertes neuronales Netzwerk erfolgen. | |
| dc.identifier.pissn | 1432-122X | |
| dc.identifier.uri | https://dl.gi.de/handle/20.500.12116/9423 | |
| dc.publisher | Springer-Verlag | |
| dc.relation.ispartof | Informatik-Spektrum: Vol. 35, No. 2 | |
| dc.relation.ispartofseries | Informatik-Spektrum | |
| dc.title | Lernen situationsunabhängiger Personenerkennung | |
| dc.type | Text/Journal Article | |
| gi.citation.endPage | 118 | |
| gi.citation.publisherPlace | Berlin Heidelberg | |
| gi.citation.startPage | 112 |