MULTI-TASKING DEEP LEARNING FOR OBJECT RECOGNITION (Q3159224): Difference between revisions
Jump to navigation
Jump to search
(Changed label, description and/or aliases in de, and other parts: Adding German translations) |
(Changed label, description and/or aliases in nl, and other parts: Adding Dutch translations) |
||||||||||||||
| label / nl | label / nl | ||||||||||||||
MULTI-TASKING DIEP LEREN VOOR OBJECTHERKENNING | |||||||||||||||
| Property / summary | |||||||||||||||
DEEP LEARNING („DIEP LEREN”) IS UITGEGROEID TOT DE TECHNIEK BIJ UITSTEK OP HET GEBIED VAN AUTOMATISCH LEREN TOEGEPAST OP COMPUTERVISIE. OP BASIS VAN ZIJN SUCCES IN DE CLASSIFICATIE VAN BEELDEN, HEEFT DEEP LEARNING (IN TERMEN VAN PRESTATIES) ANDERE TECHNIEKEN VAN DEZELFDE REIKWIJDTE OVERTROFFEN EN WORDT HET VANDAAG DE DAG GEBRUIKT DOOR DE MEESTE TOEPASSINGEN IN VISIE DOOR DE COMPUTER, WAARONDER DE DETECTIE VAN „SALIENCY”, DE DETECTIE VAN OBJECTEN, VISUELE TRACKING, BEELDVERWERKING EN DE AUTOMATISERING VAN HET PROCES OM DE INHOUD VAN HET BEELD TE BESCHRIJVEN. De EXIT die wordt bereikt door de PROFUND NEURONAL-netwerken is te wijten aan het bestaan van zeer grote databanken en de ontwikkeling van nieuwe GPUS-behoeften voor het proces van basisgegevens._x000D_x000D_ De multitasking apprehending (MTL — BY YOUR SIGLAS IN ENGLISH) is een zeer goede techniek die is vastgesteld door de SCIENTIFIC COMMUNITEIT VAN AUTOMATISCHE LEARNING. DEZE TECHNIEK OMVAT VERSCHILLENDE TAKEN OP EEN GEZAMENLIJKE MANIER MET ALS DOEL TE PROFITEREN VAN DE OVEREENKOMSTEN DIE ZIJ DELEN. ALS GEVOLG HIERVAN KAN EEN VERBETERING VAN DE PRESTATIES WORDEN BEREIKT DAN WANNEER ELKE TAAK AFZONDERLIJK WORDT BESCHOUWD. UW APPLICATIE IS GESCHIKT VOOR ELK PROBLEEM WAARBIJ ER EEN AANTAL GERELATEERDE TAKEN ZIJN OM TE LEREN EN/OF WANNEER ER EEN KLEINE DATASET IS OM EEN BEPAALDE TAAK TE KUNNEN LEREN. MTL werd geïnitieerd door het vermogen van de mens om het proces van aanhouding van een rechtbank te verbeteren indien het wordt uitgevoerd op een manier die is gekoppeld aan andere gebieden die tegelijkertijd met een individuele manier zijn verbonden._x000D_ _x000D__x000D__x000D__x005D__x005D__x005D__x005D_x005 F_x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D_x000D__x000D__x000D__x000D__x000D__x000D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x000D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005 d__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x005 en STUDIE Een theoretisch KRAAMWERK als een gemeenschappelijke onderneming die de twee CONCEPTS omvat: DIEP LEREN EN MTL. HET INITIATIEF VAN DIT PROJECT IS GEBASEERD OP HET BESTAAN VAN VEELBELOVENDE EERSTE RESULTATEN IN DEZE RICHTING. ONZE WERKHYPOTHESE IS: DIEPE NEURALE NETWERKEN KUNNEN PROFITEREN VAN DE MULTITASKING LEERSTRATEGIE, I.E. MULTI-TASK-GETRAINDE NETWERKEN VERHOGEN HUN PRESTATIES IN VERGELIJKING MET SINGLE-TASK-GETRAINDE NETWERKEN. BOVENDIEN KAN MULTITASKING LEREN ZEER NUTTIG ZIJN WANNEER DE DATASET VOOR EEN TAAK NIET GROOT GENOEG IS. IN DIT GEVAL WORDT HET ONTBREKEN VAN GEGEVENS IN DE ENE TAAK GECOMPENSEERD DOOR DE GEGEVENS VAN DE ANDERE RESTERENDE TAKEN. DAAROM ZIJN WE VAN PLAN OM IN HET KADER VAN DIT PROJECT DE DEEP MULTITASK LEARNING (DMTL) IN DETAIL TE BESTUDEREN. WIJ ZIJN VAN PLAN EEN ALGEMEEN KADER TE DEFINIËREN VOOR HET ONTWERP VAN DMTL-ARCHITECTUREN EN OPTIMALE STRATEGIEËN VOOR HUN TRAINING. DAARNAAST ZAL HET EFFECT VAN GEDECOMPENSEERDE DATASETS OM DMTL-NETWERKEN TE LEREN WORDEN BESTUDEERD. MEER BEPAALD ZULLEN DMTL-NETWERKEN WORDEN TOEGEPAST OP VERSCHILLENDE TOEPASSINGEN, WAARONDER OBJECTDETECTIE, CLASSIFICATIE VAN SCÈNES, DETECTIE VAN DE „SALIENCY”, AUTOMATISERING VAN HET PROCES VAN BESCHRIJVING VAN DE INHOUD VAN HET BEELD EN VISUELE MONITORING (ONDERZOEKSTHEMA’S WAARBIJ DE LAMPGROEP REEDS BETROKKEN IS, MAAR DIE NU VANUIT HET OOGPUNT VAN ÉÉN ENKELE TAAK ZULLEN WORDEN BEKEKEN). (Dutch) | |||||||||||||||
| Property / summary: DEEP LEARNING („DIEP LEREN”) IS UITGEGROEID TOT DE TECHNIEK BIJ UITSTEK OP HET GEBIED VAN AUTOMATISCH LEREN TOEGEPAST OP COMPUTERVISIE. OP BASIS VAN ZIJN SUCCES IN DE CLASSIFICATIE VAN BEELDEN, HEEFT DEEP LEARNING (IN TERMEN VAN PRESTATIES) ANDERE TECHNIEKEN VAN DEZELFDE REIKWIJDTE OVERTROFFEN EN WORDT HET VANDAAG DE DAG GEBRUIKT DOOR DE MEESTE TOEPASSINGEN IN VISIE DOOR DE COMPUTER, WAARONDER DE DETECTIE VAN „SALIENCY”, DE DETECTIE VAN OBJECTEN, VISUELE TRACKING, BEELDVERWERKING EN DE AUTOMATISERING VAN HET PROCES OM DE INHOUD VAN HET BEELD TE BESCHRIJVEN. De EXIT die wordt bereikt door de PROFUND NEURONAL-netwerken is te wijten aan het bestaan van zeer grote databanken en de ontwikkeling van nieuwe GPUS-behoeften voor het proces van basisgegevens._x000D_x000D_ De multitasking apprehending (MTL — BY YOUR SIGLAS IN ENGLISH) is een zeer goede techniek die is vastgesteld door de SCIENTIFIC COMMUNITEIT VAN AUTOMATISCHE LEARNING. DEZE TECHNIEK OMVAT VERSCHILLENDE TAKEN OP EEN GEZAMENLIJKE MANIER MET ALS DOEL TE PROFITEREN VAN DE OVEREENKOMSTEN DIE ZIJ DELEN. ALS GEVOLG HIERVAN KAN EEN VERBETERING VAN DE PRESTATIES WORDEN BEREIKT DAN WANNEER ELKE TAAK AFZONDERLIJK WORDT BESCHOUWD. UW APPLICATIE IS GESCHIKT VOOR ELK PROBLEEM WAARBIJ ER EEN AANTAL GERELATEERDE TAKEN ZIJN OM TE LEREN EN/OF WANNEER ER EEN KLEINE DATASET IS OM EEN BEPAALDE TAAK TE KUNNEN LEREN. MTL werd geïnitieerd door het vermogen van de mens om het proces van aanhouding van een rechtbank te verbeteren indien het wordt uitgevoerd op een manier die is gekoppeld aan andere gebieden die tegelijkertijd met een individuele manier zijn verbonden._x000D_ _x000D__x000D__x000D__x005D__x005D__x005D__x005D_x005 F_x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D_x000D__x000D__x000D__x000D__x000D__x000D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x000D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005 d__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x005 en STUDIE Een theoretisch KRAAMWERK als een gemeenschappelijke onderneming die de twee CONCEPTS omvat: DIEP LEREN EN MTL. HET INITIATIEF VAN DIT PROJECT IS GEBASEERD OP HET BESTAAN VAN VEELBELOVENDE EERSTE RESULTATEN IN DEZE RICHTING. ONZE WERKHYPOTHESE IS: DIEPE NEURALE NETWERKEN KUNNEN PROFITEREN VAN DE MULTITASKING LEERSTRATEGIE, I.E. MULTI-TASK-GETRAINDE NETWERKEN VERHOGEN HUN PRESTATIES IN VERGELIJKING MET SINGLE-TASK-GETRAINDE NETWERKEN. BOVENDIEN KAN MULTITASKING LEREN ZEER NUTTIG ZIJN WANNEER DE DATASET VOOR EEN TAAK NIET GROOT GENOEG IS. IN DIT GEVAL WORDT HET ONTBREKEN VAN GEGEVENS IN DE ENE TAAK GECOMPENSEERD DOOR DE GEGEVENS VAN DE ANDERE RESTERENDE TAKEN. DAAROM ZIJN WE VAN PLAN OM IN HET KADER VAN DIT PROJECT DE DEEP MULTITASK LEARNING (DMTL) IN DETAIL TE BESTUDEREN. WIJ ZIJN VAN PLAN EEN ALGEMEEN KADER TE DEFINIËREN VOOR HET ONTWERP VAN DMTL-ARCHITECTUREN EN OPTIMALE STRATEGIEËN VOOR HUN TRAINING. DAARNAAST ZAL HET EFFECT VAN GEDECOMPENSEERDE DATASETS OM DMTL-NETWERKEN TE LEREN WORDEN BESTUDEERD. MEER BEPAALD ZULLEN DMTL-NETWERKEN WORDEN TOEGEPAST OP VERSCHILLENDE TOEPASSINGEN, WAARONDER OBJECTDETECTIE, CLASSIFICATIE VAN SCÈNES, DETECTIE VAN DE „SALIENCY”, AUTOMATISERING VAN HET PROCES VAN BESCHRIJVING VAN DE INHOUD VAN HET BEELD EN VISUELE MONITORING (ONDERZOEKSTHEMA’S WAARBIJ DE LAMPGROEP REEDS BETROKKEN IS, MAAR DIE NU VANUIT HET OOGPUNT VAN ÉÉN ENKELE TAAK ZULLEN WORDEN BEKEKEN). (Dutch) / rank | |||||||||||||||
Normal rank | |||||||||||||||
| Property / summary: DEEP LEARNING („DIEP LEREN”) IS UITGEGROEID TOT DE TECHNIEK BIJ UITSTEK OP HET GEBIED VAN AUTOMATISCH LEREN TOEGEPAST OP COMPUTERVISIE. OP BASIS VAN ZIJN SUCCES IN DE CLASSIFICATIE VAN BEELDEN, HEEFT DEEP LEARNING (IN TERMEN VAN PRESTATIES) ANDERE TECHNIEKEN VAN DEZELFDE REIKWIJDTE OVERTROFFEN EN WORDT HET VANDAAG DE DAG GEBRUIKT DOOR DE MEESTE TOEPASSINGEN IN VISIE DOOR DE COMPUTER, WAARONDER DE DETECTIE VAN „SALIENCY”, DE DETECTIE VAN OBJECTEN, VISUELE TRACKING, BEELDVERWERKING EN DE AUTOMATISERING VAN HET PROCES OM DE INHOUD VAN HET BEELD TE BESCHRIJVEN. De EXIT die wordt bereikt door de PROFUND NEURONAL-netwerken is te wijten aan het bestaan van zeer grote databanken en de ontwikkeling van nieuwe GPUS-behoeften voor het proces van basisgegevens._x000D_x000D_ De multitasking apprehending (MTL — BY YOUR SIGLAS IN ENGLISH) is een zeer goede techniek die is vastgesteld door de SCIENTIFIC COMMUNITEIT VAN AUTOMATISCHE LEARNING. DEZE TECHNIEK OMVAT VERSCHILLENDE TAKEN OP EEN GEZAMENLIJKE MANIER MET ALS DOEL TE PROFITEREN VAN DE OVEREENKOMSTEN DIE ZIJ DELEN. ALS GEVOLG HIERVAN KAN EEN VERBETERING VAN DE PRESTATIES WORDEN BEREIKT DAN WANNEER ELKE TAAK AFZONDERLIJK WORDT BESCHOUWD. UW APPLICATIE IS GESCHIKT VOOR ELK PROBLEEM WAARBIJ ER EEN AANTAL GERELATEERDE TAKEN ZIJN OM TE LEREN EN/OF WANNEER ER EEN KLEINE DATASET IS OM EEN BEPAALDE TAAK TE KUNNEN LEREN. MTL werd geïnitieerd door het vermogen van de mens om het proces van aanhouding van een rechtbank te verbeteren indien het wordt uitgevoerd op een manier die is gekoppeld aan andere gebieden die tegelijkertijd met een individuele manier zijn verbonden._x000D_ _x000D__x000D__x000D__x005D__x005D__x005D__x005D_x005 F_x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D_x000D__x000D__x000D__x000D__x000D__x000D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x000D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005 d__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x005 en STUDIE Een theoretisch KRAAMWERK als een gemeenschappelijke onderneming die de twee CONCEPTS omvat: DIEP LEREN EN MTL. HET INITIATIEF VAN DIT PROJECT IS GEBASEERD OP HET BESTAAN VAN VEELBELOVENDE EERSTE RESULTATEN IN DEZE RICHTING. ONZE WERKHYPOTHESE IS: DIEPE NEURALE NETWERKEN KUNNEN PROFITEREN VAN DE MULTITASKING LEERSTRATEGIE, I.E. MULTI-TASK-GETRAINDE NETWERKEN VERHOGEN HUN PRESTATIES IN VERGELIJKING MET SINGLE-TASK-GETRAINDE NETWERKEN. BOVENDIEN KAN MULTITASKING LEREN ZEER NUTTIG ZIJN WANNEER DE DATASET VOOR EEN TAAK NIET GROOT GENOEG IS. IN DIT GEVAL WORDT HET ONTBREKEN VAN GEGEVENS IN DE ENE TAAK GECOMPENSEERD DOOR DE GEGEVENS VAN DE ANDERE RESTERENDE TAKEN. DAAROM ZIJN WE VAN PLAN OM IN HET KADER VAN DIT PROJECT DE DEEP MULTITASK LEARNING (DMTL) IN DETAIL TE BESTUDEREN. WIJ ZIJN VAN PLAN EEN ALGEMEEN KADER TE DEFINIËREN VOOR HET ONTWERP VAN DMTL-ARCHITECTUREN EN OPTIMALE STRATEGIEËN VOOR HUN TRAINING. DAARNAAST ZAL HET EFFECT VAN GEDECOMPENSEERDE DATASETS OM DMTL-NETWERKEN TE LEREN WORDEN BESTUDEERD. MEER BEPAALD ZULLEN DMTL-NETWERKEN WORDEN TOEGEPAST OP VERSCHILLENDE TOEPASSINGEN, WAARONDER OBJECTDETECTIE, CLASSIFICATIE VAN SCÈNES, DETECTIE VAN DE „SALIENCY”, AUTOMATISERING VAN HET PROCES VAN BESCHRIJVING VAN DE INHOUD VAN HET BEELD EN VISUELE MONITORING (ONDERZOEKSTHEMA’S WAARBIJ DE LAMPGROEP REEDS BETROKKEN IS, MAAR DIE NU VANUIT HET OOGPUNT VAN ÉÉN ENKELE TAAK ZULLEN WORDEN BEKEKEN). (Dutch) / qualifier | |||||||||||||||
point in time: 17 December 2021
| |||||||||||||||
Revision as of 12:54, 17 December 2021
Project Q3159224 in Spain
| Language | Label | Description | Also known as |
|---|---|---|---|
| English | MULTI-TASKING DEEP LEARNING FOR OBJECT RECOGNITION |
Project Q3159224 in Spain |
Statements
19,723.0 Euro
0 references
39,446.0 Euro
0 references
50.0 percent
0 references
30 December 2016
0 references
29 December 2019
0 references
CENTRO DE VISION POR COMPUTADOR
0 references
41°29'27.71"N, 2°8'15.00"E
0 references
08266
0 references
EL APRENDIZAJE PROFUNDO ('DEEP LEARNING') SE HA CONVERTIDO EN LA TECNICA POR EXCELENCIA EN EL AMBITO DEL APRENDIZAJE AUTOMATICO APLICADO A LA VISION POR COMPUTADOR. TOMANDO COMO REFERENCIA SU EXITO EN LA CLASIFICACION DE IMAGENES, EL APRENDIZAJE PROFUNDO HA SUPERADO (EN TERMINOS DE RENDIMIENTO) A OTRAS TECNICAS DEL MISMO AMBITO Y ESTA SIENDO UTILIZADA HOY EN DIA POR LA MAYORIA DE LAS APLICACIONES EN VISION POR COMPUTADOR, INCLUYENDO LA DETECCION DE 'SALIENCY', LA DETECCION DE OBJETOS, EL SEGUIMIENTO VISUAL, EL PROCESAMIENTO DE IMAGENES Y LA AUTOMATIZACION DEL PROCESO DE DESCRIPCION DEL CONTENIDO DE LA IMAGEN. EL EXITO LOGRADO POR LAS REDES NEURONALES PROFUNDAS SE DEBE A LA EXISTENCIA DE BASES DE DATOS MUY AMPLIAS Y AL DESARROLLO DE NUEVOS GPUS NECESARIOS PARA EL PROCESAMIENTO DE DICHAS BASES._x000D_ _x000D_ EL APRENDIZAJE MULTITAREA (MTL - POR SUS SIGLAS EN INGLES) ES UNA TECNICA MUY BIEN ESTUDIADA POR LA COMUNIDAD CIENTIFICA DE APRENDIZAJE AUTOMATICO. ESTA TECNICA CONTEMPLA VARIAS TAREAS DE UNA MANERA CONJUNTA CON EL OBJETIVO DE APROVECHAR LAS SIMILITUDES QUE COMPARTEN. COMO CONSECUENCIA, SE PUEDE CONSEGUIR UNA MEJORA DEL RENDIMIENTO QUE SI SE CONSIDERARA CADA TAREA POR SEPARADO. SU APLICACION ES APTA PARA CUALQUIER PROBLEMA DONDE HAY UN NUMERO DE TAREAS RELACIONADAS QUE APRENDER Y/O CUANDO HAY UN CONJUNTO DE DATOS PEQUEÑO PARA PODER APRENDER UNA TAREA EN PARTICULAR. EL MTL FUE INSPIRADO POR LA CAPACIDAD DEL SER HUMANO EN MEJORAR EL PROCESO DE APRENDIZAJE DE UNA TAREA SI ESTA SE REALIZA DE MANERA CONJUNTA CON OTRAS TAREAS QUE TIENEN RELACION, A DIFERENCIA DE CUANDO LA MISMA TAREA SE APRENDE DE MANERA INDIVIDUAL._x000D_ _x000D_ EL OBJETIVO DE ESTA MEMORIA ES PROPONER Y ESTUDIAR UN MARCO TEORICO COMUN QUE INCLUYA LOS DOS CONCEPTOS: ¿DEEP LEARNING¿ Y EL MTL. LA INICIATIVA DE ESTE PROYECTO SE APOYA EN LA EXISTENCIA DE UNOS RESULTADOS INICIALES PROMETEDORES EN ESTA DIRECCION. NUESTRA HIPOTESIS DE TRABAJO ES: LAS REDES NEURONALES PROFUNDAS PUEDEN BENEFICIARSE DE LA ESTRATEGIA DE APRENDIZAJE MULTITAREA, ES DECIR, LAS REDES ENTRENADAS CON VARIAS TAREAS AUMENTAN SU RENDIMIENTO EN COMPARACION CON LAS REDES ENTRENADAS CON UNA SOLA TAREA. ADEMAS, EL APRENDIZAJE MULTITAREA PUEDE SER MUY UTIL CUANDO EL CONJUNTO DE DATOS PARA UNA TAREA NO SEA SUFICIENTEMENTE GRANDE. EN ESTE CASO SE COMPENSA LA AUSENCIA DE DATOS EN UNA TAREA CON LOS DATOS DE LAS OTRAS TAREAS RESTANTES. POR ESTA RAZON, NOS PLANTEAMOS ESTUDIAR EN DETALLE EL ¿DEEP MULTITASK LEARNING¿ (DMTL) COMO PARTE DE ESTE PROYECTO. NOS PROPONEMOS DEFINIR UN MARCO GENERAL PARA EL DISEÑO DE LAS ARQUITECTURAS DMTL Y UNAS ESTRATEGIAS OPTIMAS PARA SU ENTRENAMIENTO. ADEMAS, SE ESTUDIARA EL EFECTO DE CONJUNTOS DE DATOS DESCOMPENSADOS PARA APRENDER LAS REDES DMTL. EN CONCRETO, SE APLICARAN LAS REDES DMTL A VARIAS APLICACIONES INCLUYENDO DETECCION DE OBJETOS, CLASIFICACION DE ESCENAS, DETECCION DE LA 'SALIENCY', AUTOMATIZACION DEL PROCESO DE DESCRIPCION DEL CONTENIDO DE LA IMAGEN Y SEGUIMIENTO VISUAL (TEMAS DE INVESTIGACION EN LOS QUE EL GRUPO LAMP YA ESTA INVOLUCRADO PERO QUE SE CONSIDERARAN AHORA DESDE EL PUNTO DE VISTA DE UNA SOLA TAREA). (Spanish)
0 references
DEEP LEARNING (‘DEEP LEARNING’) HAS BECOME THE TECHNIQUE PAR EXCELLENCE IN THE FIELD OF AUTOMATIC LEARNING APPLIED TO COMPUTER VISION. BASED ON ITS SUCCESS IN THE CLASSIFICATION OF IMAGES, DEEP LEARNING HAS SURPASSED (IN TERMS OF PERFORMANCE) OTHER TECHNIQUES OF THE SAME SCOPE AND IS BEING USED TODAY BY THE MAJORITY OF APPLICATIONS IN VISION BY COMPUTER, INCLUDING THE DETECTION OF ‘SALIENCY’, THE DETECTION OF OBJECTS, VISUAL TRACKING, IMAGE PROCESSING AND THE AUTOMATION OF THE PROCESS OF DESCRIBING THE CONTENTS OF THE IMAGE. The EXIT achieved by the PROFUND NEURONAL networks is due to the existence of very large data bases and the development of new GPUS necessities for the process of basic data._x000D__x000D_ The multitasking apprehending (MTL — BY YOUR SIGLAS IN ENGLISH) it’s a very good technic that has been established by the SCIENTIFIC COMMUNITY OF AUTOMATIC LEARNING. THIS TECHNIQUE CONTEMPLATES SEVERAL TASKS IN A JOINT WAY WITH THE AIM OF TAKING ADVANTAGE OF THE SIMILARITIES THEY SHARE. AS A RESULT, AN IMPROVEMENT IN PERFORMANCE CAN BE ACHIEVED THAN IF EACH TASK WERE CONSIDERED SEPARATELY. YOUR APPLICATION IS SUITABLE FOR ANY PROBLEM WHERE THERE ARE A NUMBER OF RELATED TASKS TO LEARN AND/OR WHEN THERE IS A SMALL DATASET TO BE ABLE TO LEARN A PARTICULAR TASK. MTL was initiated by the capacity of the human being to improve the apprehending process of a court if it is carried out in a way that is linked to other territories that have been linked to, at the same time as the same time, an individual way._x000D_ _x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x005F the OBJECTIVE OF THIS MEMORY IS TO PROPONER AND STUDY A THEORIC FRAMEWORK AS A COMMUNITY INCLUDING THE TWO CONCEPTS: DEEP LEARNING AND MTL. THE INITIATIVE OF THIS PROJECT IS BASED ON THE EXISTENCE OF PROMISING INITIAL RESULTS IN THIS DIRECTION. OUR WORKING HYPOTHESIS IS: DEEP NEURAL NETWORKS CAN BENEFIT FROM THE MULTITASKING LEARNING STRATEGY, I.E. MULTI-TASK-TRAINED NETWORKS INCREASE THEIR PERFORMANCE COMPARED TO SINGLE-TASK-TRAINED NETWORKS. IN ADDITION, MULTITASKING LEARNING CAN BE VERY USEFUL WHEN THE DATASET FOR A TASK IS NOT LARGE ENOUGH. IN THIS CASE THE ABSENCE OF DATA IN ONE TASK IS COMPENSATED BY THE DATA OF THE OTHER REMAINING TASKS. FOR THIS REASON, WE INTEND TO STUDY IN DETAIL THE DEEP MULTITASK LEARNING (DMTL) AS PART OF THIS PROJECT. WE INTEND TO DEFINE A GENERAL FRAMEWORK FOR THE DESIGN OF DMTL ARCHITECTURES AND OPTIMAL STRATEGIES FOR THEIR TRAINING. IN ADDITION, THE EFFECT OF DECOMPENSATED DATASETS TO LEARN DMTL NETWORKS WILL BE STUDIED. SPECIFICALLY, DMTL NETWORKS WILL BE APPLIED TO SEVERAL APPLICATIONS INCLUDING OBJECT DETECTION, CLASSIFICATION OF SCENES, DETECTION OF THE ‘SALIENCY’, AUTOMATION OF THE PROCESS OF DESCRIBING THE CONTENTS OF THE IMAGE AND VISUAL MONITORING (RESEARCH THEMES IN WHICH THE LAMP GROUP IS ALREADY INVOLVED BUT WHICH WILL NOW BE CONSIDERED FROM THE POINT OF VIEW OF A SINGLE TASK). (English)
12 October 2021
0 references
L’APPRENTISSAGE PROFOND («DEEP LEARNING») EST DEVENU LA TECHNIQUE PAR EXCELLENCE DANS LE DOMAINE DE L’APPRENTISSAGE AUTOMATIQUE APPLIQUÉ À LA VISION PAR ORDINATEUR. SUR LA BASE DE SON SUCCÈS DANS LA CLASSIFICATION DES IMAGES, L’APPRENTISSAGE PROFOND A DÉPASSÉ (EN TERMES DE PERFORMANCE) D’AUTRES TECHNIQUES DE MÊME PORTÉE ET EST UTILISÉ AUJOURD’HUI PAR LA MAJORITÉ DES APPLICATIONS DE VISION PAR ORDINATEUR, Y COMPRIS LA DÉTECTION DE «SALIENCY», LA DÉTECTION D’OBJETS, LE SUIVI VISUEL, LE TRAITEMENT D’IMAGES ET L’AUTOMATISATION DU PROCESSUS DE DESCRIPTION DU CONTENU DE L’IMAGE. L’EXIT atteint par les réseaux NEURONAL PROFUND est dû à l’existence de très grandes bases de données et au développement de nouvelles nécessités GPUS pour le traitement des données de base._x000D__x000D_L’arrestation multitâche (MTL — PAR VOTRE SIGLAS EN FRANÇAIS) c’est une très bonne technique qui a été mise en place par la COMMUNAUTÉ SCIENTIFIQUE DE LEARNING AUTOMATIQUE. CETTE TECHNIQUE ENVISAGE PLUSIEURS TÂCHES D’UNE MANIÈRE CONJOINTE DANS LE BUT DE TIRER PARTI DES SIMILITUDES QU’ELLES PARTAGENT. PAR CONSÉQUENT, UNE AMÉLIORATION DE LA PERFORMANCE PEUT ÊTRE OBTENUE QUE SI CHAQUE TÂCHE ÉTAIT EXAMINÉE SÉPARÉMENT. VOTRE APPLICATION EST ADAPTÉE À TOUT PROBLÈME LORSQU’IL Y A UN CERTAIN NOMBRE DE TÂCHES CONNEXES À APPRENDRE ET/OU LORSQU’IL Y A UN PETIT ENSEMBLE DE DONNÉES POUR ÊTRE EN MESURE D’APPRENDRE UNE TÂCHE PARTICULIÈRE. MTL a été initiée par la capacité de l’être humain à améliorer le processus d’arrestation d’un tribunal s’il est effectué d’une manière qui est liée à d’autres territoires qui ont été liés, en même temps, à une manière individuelle._x000D_ _x000D__x000D_x000D_x000D_x000D_x000D_x005F x000D__x000D__x000D__x000D_x000F_x000D__x000D_x000D_x000F_x000D_x000D_x000D_x000D_x000D_x000D_x000D x000D__x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D__x000D__x000D_x000D_x000D_x000D_x000D__x000D__x000D_x000D_x000D_x000D__x000D__x000D__x000D_x000D_x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x005D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D_x APPRENTISSAGE PROFOND ET MTL. L’INITIATIVE DE CE PROJET REPOSE SUR L’EXISTENCE DE RÉSULTATS INITIAUX PROMETTEURS DANS CETTE DIRECTION. NOTRE HYPOTHÈSE DE TRAVAIL EST: LES RÉSEAUX NEURONAUX PROFONDS PEUVENT BÉNÉFICIER DE LA STRATÉGIE D’APPRENTISSAGE MULTITÂCHES, LES RÉSEAUX FORMÉS À PLUSIEURS TÂCHES AUGMENTENT LEURS PERFORMANCES PAR RAPPORT AUX RÉSEAUX FORMÉS À UNE TÂCHE UNIQUE. EN OUTRE, L’APPRENTISSAGE MULTITÂCHES PEUT ÊTRE TRÈS UTILE LORSQUE L’ENSEMBLE DE DONNÉES POUR UNE TÂCHE N’EST PAS ASSEZ GRAND. DANS CE CAS, L’ABSENCE DE DONNÉES DANS UNE TÂCHE EST COMPENSÉE PAR LES DONNÉES DES AUTRES TÂCHES RESTANTES. POUR CETTE RAISON, NOUS AVONS L’INTENTION D’ÉTUDIER EN DÉTAIL L’APPRENTISSAGE MULTITÂCHE PROFOND (DMTL) DANS LE CADRE DE CE PROJET. NOUS AVONS L’INTENTION DE DÉFINIR UN CADRE GÉNÉRAL POUR LA CONCEPTION DES ARCHITECTURES DMTL ET DES STRATÉGIES OPTIMALES POUR LEUR FORMATION. EN OUTRE, L’EFFET DES ENSEMBLES DE DONNÉES DÉCOMPENSÉS SUR L’APPRENTISSAGE DES RÉSEAUX DMTL SERA ÉTUDIÉ. PLUS PRÉCISÉMENT, LES RÉSEAUX DMTL SERONT APPLIQUÉS À PLUSIEURS APPLICATIONS, Y COMPRIS LA DÉTECTION D’OBJETS, LA CLASSIFICATION DES SCÈNES, LA DÉTECTION DE LA «SALIENCY», L’AUTOMATISATION DU PROCESSUS DE DESCRIPTION DU CONTENU DE L’IMAGE ET LE SUIVI VISUEL (THÈMES DE RECHERCHE DANS LESQUELS LE GROUPE DE LAMPES EST DÉJÀ IMPLIQUÉ MAIS QUI SERONT DÉSORMAIS CONSIDÉRÉS SOUS L’ANGLE D’UNE SEULE TÂCHE). (French)
4 December 2021
0 references
DEEP LEARNING („TIEFES LERNEN“) IST ZUR TECHNIK PAR EXCELLENCE IM BEREICH DES AUTOMATISCHEN LERNENS GEWORDEN, DAS AUF COMPUTERSICHT ANGEWENDET WIRD. BASIEREND AUF SEINEM ERFOLG BEI DER KLASSIFIZIERUNG VON BILDERN HAT DEEP LEARNING (IN BEZUG AUF LEISTUNG) ANDERE TECHNIKEN DES GLEICHEN UMFANGS ÜBERTROFFEN UND WIRD HEUTE VON DEN MEISTEN ANWENDUNGEN IN DER BILDVERARBEITUNG VOM COMPUTER VERWENDET, EINSCHLIESSLICH DER ERKENNUNG VON „SALIENZ“, DER ERKENNUNG VON OBJEKTEN, DER VISUELLEN VERFOLGUNG, DER BILDVERARBEITUNG UND DER AUTOMATISIERUNG DES PROZESSES ZUR BESCHREIBUNG DES BILDINHALTS. Die EXIT, die von den PROFUND NEURONAL Netzwerken erreicht wurde, ist auf die Existenz sehr großer Datenbanken und die Entwicklung neuer GPUS-Notwendigkeiten für den Prozess der Basisdaten zurückzuführen._x000D__x000D_ Die multitasking apprehending (MTL – BY YOUR SIGLAS IN ENGLISH) ist eine sehr gute Technik, die von der SCIENTIFIC COMMUNITY OF AUTOMATIC LEARNING etabliert wurde. DIESE TECHNIK BETRACHTET MEHRERE AUFGABEN GEMEINSAM MIT DEM ZIEL, DIE GEMEINSAMKEITEN ZU NUTZEN, DIE SIE TEILEN. DADURCH KANN EINE LEISTUNGSVERBESSERUNG ERREICHT WERDEN, ALS WENN JEDE AUFGABE GETRENNT BETRACHTET WÜRDE. IHRE ANWENDUNG EIGNET SICH FÜR JEDES PROBLEM, BEI DEM ES EINE REIHE VON DAMIT VERBUNDENEN AUFGABEN GIBT UND/ODER WENN ES EINEN KLEINEN DATENSATZ GIBT, UM EINE BESTIMMTE AUFGABE ERLERNEN ZU KÖNNEN. MTL wurde durch die Fähigkeit des Menschen initiiert, das Aufgreifen eines Gerichts zu verbessern, wenn er in einer Weise durchgeführt wird, die mit anderen Gebieten verbunden ist, die gleichzeitig mit einer individuellen Art verbunden sind._x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000 x000D__x000D__x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000000D__x000D__x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000D_x000 die ÜBERZEUGUNG DER ZUSAMMENARBEIT ZU Proponer und STUDIE Eine theorische FRAMEWORK als eine GEMEINSCHAFT, die die TWO-Länder einbezieht: DEEP LEARNING UND MTL. DIE INITIATIVE DIESES PROJEKTS BERUHT AUF DER EXISTENZ VIELVERSPRECHENDER AUSGANGSERGEBNISSE IN DIESE RICHTUNG. UNSERE ARBEITSHYPOTHESE LAUTET: TIEFE NEURONALE NETZWERKE KÖNNEN VON DER MULTITASKING-LERNSTRATEGIE PROFITIEREN, I.E. MULTI-TASK-TRAINIERTE NETZWERKE STEIGERN IHRE LEISTUNG IM VERGLEICH ZU EINZELAUFGABEN-GEBILDETEN NETZWERKEN. DARÜBER HINAUS KANN MULTITASKING LERNEN SEHR NÜTZLICH SEIN, WENN DER DATENSATZ FÜR EINE AUFGABE NICHT GROSS GENUG IST. IN DIESEM FALL WIRD DAS FEHLEN VON DATEN IN EINER AUFGABE DURCH DIE DATEN DER ANDEREN VERBLEIBENDEN AUFGABEN KOMPENSIERT. AUS DIESEM GRUND BEABSICHTIGEN WIR, IM RAHMEN DIESES PROJEKTS DAS DEEP MULTITASSK LEARNING (DMTL) DETAILLIERT ZU STUDIEREN. WIR WOLLEN EINEN ALLGEMEINEN RAHMEN FÜR DIE GESTALTUNG VON DMTL-ARCHITEKTUREN UND OPTIMALE STRATEGIEN FÜR IHRE AUSBILDUNG FESTLEGEN. DARÜBER HINAUS WIRD DIE WIRKUNG DEKOMPENSIERTER DATENSÄTZE AUF DAS LERNEN VON DMTL-NETZWERKEN UNTERSUCHT. INSBESONDERE WERDEN DMTL-NETZWERKE FÜR MEHRERE ANWENDUNGEN EINGESETZT, DARUNTER DIE OBJEKTERKENNUNG, DIE KLASSIFIZIERUNG VON SZENEN, DIE ERKENNUNG DER „SALIENZ“, DIE AUTOMATISIERUNG DES PROZESSES ZUR BESCHREIBUNG DES BILDINHALTS UND DIE VISUELLE ÜBERWACHUNG (FORSCHUNGSTHEMEN, AN DENEN DIE LAMPENGRUPPE BEREITS BETEILIGT IST, ABER NUN AUS SICHT EINER EINZIGEN AUFGABE BETRACHTET WIRD). (German)
9 December 2021
0 references
DEEP LEARNING („DIEP LEREN”) IS UITGEGROEID TOT DE TECHNIEK BIJ UITSTEK OP HET GEBIED VAN AUTOMATISCH LEREN TOEGEPAST OP COMPUTERVISIE. OP BASIS VAN ZIJN SUCCES IN DE CLASSIFICATIE VAN BEELDEN, HEEFT DEEP LEARNING (IN TERMEN VAN PRESTATIES) ANDERE TECHNIEKEN VAN DEZELFDE REIKWIJDTE OVERTROFFEN EN WORDT HET VANDAAG DE DAG GEBRUIKT DOOR DE MEESTE TOEPASSINGEN IN VISIE DOOR DE COMPUTER, WAARONDER DE DETECTIE VAN „SALIENCY”, DE DETECTIE VAN OBJECTEN, VISUELE TRACKING, BEELDVERWERKING EN DE AUTOMATISERING VAN HET PROCES OM DE INHOUD VAN HET BEELD TE BESCHRIJVEN. De EXIT die wordt bereikt door de PROFUND NEURONAL-netwerken is te wijten aan het bestaan van zeer grote databanken en de ontwikkeling van nieuwe GPUS-behoeften voor het proces van basisgegevens._x000D_x000D_ De multitasking apprehending (MTL — BY YOUR SIGLAS IN ENGLISH) is een zeer goede techniek die is vastgesteld door de SCIENTIFIC COMMUNITEIT VAN AUTOMATISCHE LEARNING. DEZE TECHNIEK OMVAT VERSCHILLENDE TAKEN OP EEN GEZAMENLIJKE MANIER MET ALS DOEL TE PROFITEREN VAN DE OVEREENKOMSTEN DIE ZIJ DELEN. ALS GEVOLG HIERVAN KAN EEN VERBETERING VAN DE PRESTATIES WORDEN BEREIKT DAN WANNEER ELKE TAAK AFZONDERLIJK WORDT BESCHOUWD. UW APPLICATIE IS GESCHIKT VOOR ELK PROBLEEM WAARBIJ ER EEN AANTAL GERELATEERDE TAKEN ZIJN OM TE LEREN EN/OF WANNEER ER EEN KLEINE DATASET IS OM EEN BEPAALDE TAAK TE KUNNEN LEREN. MTL werd geïnitieerd door het vermogen van de mens om het proces van aanhouding van een rechtbank te verbeteren indien het wordt uitgevoerd op een manier die is gekoppeld aan andere gebieden die tegelijkertijd met een individuele manier zijn verbonden._x000D_ _x000D__x000D__x000D__x005D__x005D__x005D__x005D_x005 F_x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D_x000D__x000D__x000D__x000D__x000D__x000D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x000D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005D__x005 d__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x000D__x005 en STUDIE Een theoretisch KRAAMWERK als een gemeenschappelijke onderneming die de twee CONCEPTS omvat: DIEP LEREN EN MTL. HET INITIATIEF VAN DIT PROJECT IS GEBASEERD OP HET BESTAAN VAN VEELBELOVENDE EERSTE RESULTATEN IN DEZE RICHTING. ONZE WERKHYPOTHESE IS: DIEPE NEURALE NETWERKEN KUNNEN PROFITEREN VAN DE MULTITASKING LEERSTRATEGIE, I.E. MULTI-TASK-GETRAINDE NETWERKEN VERHOGEN HUN PRESTATIES IN VERGELIJKING MET SINGLE-TASK-GETRAINDE NETWERKEN. BOVENDIEN KAN MULTITASKING LEREN ZEER NUTTIG ZIJN WANNEER DE DATASET VOOR EEN TAAK NIET GROOT GENOEG IS. IN DIT GEVAL WORDT HET ONTBREKEN VAN GEGEVENS IN DE ENE TAAK GECOMPENSEERD DOOR DE GEGEVENS VAN DE ANDERE RESTERENDE TAKEN. DAAROM ZIJN WE VAN PLAN OM IN HET KADER VAN DIT PROJECT DE DEEP MULTITASK LEARNING (DMTL) IN DETAIL TE BESTUDEREN. WIJ ZIJN VAN PLAN EEN ALGEMEEN KADER TE DEFINIËREN VOOR HET ONTWERP VAN DMTL-ARCHITECTUREN EN OPTIMALE STRATEGIEËN VOOR HUN TRAINING. DAARNAAST ZAL HET EFFECT VAN GEDECOMPENSEERDE DATASETS OM DMTL-NETWERKEN TE LEREN WORDEN BESTUDEERD. MEER BEPAALD ZULLEN DMTL-NETWERKEN WORDEN TOEGEPAST OP VERSCHILLENDE TOEPASSINGEN, WAARONDER OBJECTDETECTIE, CLASSIFICATIE VAN SCÈNES, DETECTIE VAN DE „SALIENCY”, AUTOMATISERING VAN HET PROCES VAN BESCHRIJVING VAN DE INHOUD VAN HET BEELD EN VISUELE MONITORING (ONDERZOEKSTHEMA’S WAARBIJ DE LAMPGROEP REEDS BETROKKEN IS, MAAR DIE NU VANUIT HET OOGPUNT VAN ÉÉN ENKELE TAAK ZULLEN WORDEN BEKEKEN). (Dutch)
17 December 2021
0 references
Cerdanyola del Vallès
0 references
Identifiers
TIN2016-79717-R
0 references