Projects

Phase 2 Projects

Unsupervised Learning of Hierarchical Representations for Natural Images


Project leaders: Matthias Bethge (Tübingen)

Researchers: Lucas Theis

Administration: Heike König

Associates: Bruno Olshausen (Kalifornien)

Summary:

Die wesentliche Herausforderung des autonomen Lernens besteht darin, mit der großen Komplexität der Umwelt umzugehen. Theoretische Überlegungen sowie Beobachtungen aus der Biologie sprechen dafür, dass hierarchisch aufgebaute Repräsentationen  besonders gut dazu geeignet sind. Diese Tatsache wird jedoch erst seit der Einführung von neuen Lernverfahren auch durch empirische Resultate aus dem Bereich des maschinellen Lernens unterstützt.
In unserer Arbeitsgruppe durchgeführte quantitative Analysen haben aber auch entscheidende Verbesserungsmöglichkeiten bei den aktuellen hierarchischen Modellen aufgedeckt. Im Rahmen dieses Projekts wollen wir daher Lernmethoden herleiten, die auf den Erkenntnissen dieser quantitativen Analysen aufbauen. Komplementär dazu werden wir hierarchische Bildmodelle entwickeln, die leistungsfähige Bildrepräsentationen versprechen und die von den neuen Lernalgorithmen profitieren können. Da uns die Quantifizierung des Fortschritts besonders wichtig ist, werden wir auch die Evaluierung neuer Modelle und Verfahren sowie die Entwicklung weiterer Kriterien zur Bewertung von gelernten Modellen in diesem Projekt weiter vorantreiben.

Phase 1 Projects

Unsupervised Learning of Hierarchical Representations for Natural Images


Project leaders: Matthias Bethge (Tübingen)

Researchers: Lucas Theis

Administration: Heike König

Associates: Bruno Olshausen (Kalifornien)

Summary:

Die wesentliche Herausforderung des autonomen Lernens besteht darin, mit der großen Komplexität der Umwelt umzugehen. Theoretische Überlegungen sowie Beobachtungen aus der Biologie sprechen dafür, dass hierarchisch aufgebaute Repräsentationen  besonders gut dazu geeignet sind. Diese Tatsache wird jedoch erst seit der Einführung von neuen Lernverfahren auch durch empirische Resultate aus dem Bereich des maschinellen Lernens unterstützt.
In unserer Arbeitsgruppe durchgeführte quantitative Analysen haben aber auch entscheidende Verbesserungsmöglichkeiten bei den aktuellen hierarchischen Modellen aufgedeckt. Im Rahmen dieses Projekts wollen wir daher Lernmethoden herleiten, die auf den Erkenntnissen dieser quantitativen Analysen aufbauen. Komplementär dazu werden wir hierarchische Bildmodelle entwickeln, die leistungsfähige Bildrepräsentationen versprechen und die von den neuen Lernalgorithmen profitieren können. Da uns die Quantifizierung des Fortschritts besonders wichtig ist, werden wir auch die Evaluierung neuer Modelle und Verfahren sowie die Entwicklung weiterer Kriterien zur Bewertung von gelernten Modellen in diesem Projekt weiter vorantreiben.