< Terug naar vorige pagina

Project

Nieuwe Methodes voor het leren van beeldrepresentaties zonder supervisie

Representation learning speelt een sleutelrol in de meeste algoritmes voor automatisch leren (machine learning). Bij het oplossen van een bepaalde taak, wordt de input typisch eerst afgebeeld op een latente ruimte, gevolgd door de uiteindelijke transformatie naar de outputruimte. De representation is de set van waardes in de latente ruimte, waarop de input wordt afgebeeld. Een goede representation extraheert de essentiële informatie uit de inputdata en verwijdert daarbij ook ruis en redundantie in de data. De kwaliteit van de representation is bijgevolg bepalend voor de prestaties van het model en het gemak waarmee verdere taken (die inwerken op die latente voorstelling) geleerd kunnen worden. Een adequate representation kan dus leiden tot meer praktische, veiligere en gewoonweg betere AI-toepassingen, bijvoorbeeld voor zelfrijdende auto's, robotchirurgie... Om dit te bereiken, focussen we op het paradigma van zelf-gecontroleerd representation learning. We beogen een verbetering van de bestaande algoritmes en representations door technieken op pixel-niveau te combineren met methodes op het niveau van de volledige afbeelding, en door nieuwe context pairs te genereren op basis van zowel afbeeldingen als video's.

Datum:29 apr 2021 →  Heden
Trefwoorden:Machine learning, Computer vision, Self-supervised learning, Representation learning
Disciplines:Computervisie, Datamining, Kennisrepresentatie en redenering
Project type:PhD project