Search (3 results, page 1 of 1)

0.006207535 = product of:
  0.04655651 = sum of:
    0.027683599 = weight(_text_:buch in 77) [ClassicSimilarity], result of:
      0.027683599 = score(doc=77,freq=2.0), product of:
        0.13472971 = queryWeight, product of:
          4.64937 = idf(docFreq=1149, maxDocs=44218)
          0.028978055 = queryNorm
        0.20547508 = fieldWeight in 77, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.64937 = idf(docFreq=1149, maxDocs=44218)
          0.03125 = fieldNorm(doc=77)
    0.018872911 = weight(_text_:und in 77) [ClassicSimilarity], result of:
      0.018872911 = score(doc=77,freq=18.0), product of:
        0.06422601 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.028978055 = queryNorm
        0.29385152 = fieldWeight in 77, product of:
          4.2426405 = tf(freq=18.0), with freq of:
            18.0 = termFreq=18.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.03125 = fieldNorm(doc=77)
  0.13333334 = coord(2/15)

Abstract

In diesem Buch wird eine erste Generation von künstlichen Hirnen für das Sehen vorgestellt. Auf der ausschließlichen Grundlage von Neuron- und Synapsenmodellen wird ein Objekterkennungssystem konstruiert, welches eine Merkmalspyramide mit 8 Orientierungen und 5 Auflösungsskalen für 1000 Objekte sowie die Netze für die Bindung von Merkmalen zu Objekten umfasst. Dieses Sehsystem kann unabhängig von der Beleuchtung, dem Gesichtausdruck, der Entfernung und einer Drehung, welche die Objektkomponenten sichtbar lässt, Objekte erkennen. Seine Realisierung erfordert 59 Chips - davon sind 4 verschieden - welche mittels 3D Technologie zu einem Quader von 8mm x 8mm x 1mm aufgeschichtet sind. Die Leistungsfähigkeit des neuronal-synaptischen Netzwerkes beruht auf der Einführung von schnell veränderlichen dynamischen Synapsen. Anders als Netze mit konstanten Synapsen können solche mit dynamischen Synapsen allgemeine Aufgaben der Mustererkennung übernehmen. Die raum-zeitliche Korrelationsstruktur von Mustern wird durch eine einzige synaptische Differentialgleichung in universeller Weise erfasst. Die Korrelation kann in Erscheinung treten als synchrone Pulstätigkeit einer Neurongruppe, wodurch das Vorliegen eines Merkmals in robuster Weise angezeigt wird, oder als Bindung von Merkmalen zu Objekten.
Auch wenn die Autoren der Überzeugung sind, dass noch viele Generationen folgen müssen, um die Leistungsfähigkeit des menschlichen Gehirns zu erreichen, sehen sie doch ein neues Rechen-Zeitalter aufziehen. Es gab Zeiten, da wurden Computer mit ihrer Präzision, Zuverlässigkeit und rasanten Geschwindigkeit der feuchten Materie unseres Gehirns als so weit überlegen angesehen wie das Düsenflugzeug dem Spatzen. Dass diese Zeiten vorbei sind, ist gewiss, denn durch formale Logik inspirierte, algorithmisch gesteuerte und mit digitaler Elektronik realisierte Systeme, die heutigen Computer, stoßen an ihre Komplexitätsgrenzen. Andererseits eröffnen die hier vorgestellten Ergebnisse den Weg zu einer Alternative. Ein Paradigmenwechsel liegt in der Luft: vom fremdorganisierten zum selbstorganisierten Computer.

Content

1. Problematik der Modellierung künstlicher Gehirne - 2. Informationsverarbeitung in Netzen mit konstanten Synapsen - 3. Allgemeine Theorie der Netze mit dynamischen Synapsen - 4. Makrodynamik der Netze mit konstanten Synapsen - 5. Informationsverarbeitung mit dynamischen Synapsen - 6. Netze für die Merkmalsdetektion - 7. Netze für die Merkmalserkennung - 8. Netze für die robuste Kopfdetektion - 9. Ausblick - 10. Vor üb er legungen zur mikroelektronischen Realisierung - 11. Elementare Schaltungen für Neuronen, Synapsen und Photosensoren - 12. Simulation mikroelektronischer neuronaler Schaltungen und Systeme - 13. Architektur und Chip-Entwurf des Merkmalserkenners - 14. Architektur und Chip-Entwurf für Merkmalsdetektoren - 15. 3D-Stapeltechnik für den Sehwürfel - 16. Architektur eines Sehwürfels der ersten Generation Vgl.: https://link.springer.com/book/10.1007%2F978-3-642-00191-8.

0.00194184 = product of:
  0.0291276 = sum of:
    0.0291276 = weight(_text_:und in 4296) [ClassicSimilarity], result of:
      0.0291276 = score(doc=4296,freq=14.0), product of:
        0.06422601 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.028978055 = queryNorm
        0.4535172 = fieldWeight in 4296, product of:
          3.7416575 = tf(freq=14.0), with freq of:
            14.0 = termFreq=14.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0546875 = fieldNorm(doc=4296)
  0.06666667 = coord(1/15)

Abstract

Die Erforschung des menschlichen Geistes ist eines der spannendsten Unternehmen der Wissenschaft. Die Kognitionswissenschaft erforscht nicht nur abstrakte intellektuelle Leistungen wie etwa das Schachspiel, sondern die ganze Palette der Intelligenz: Sprache, Gedächtnis, Lernen, Wahrnehmung und Bewegung, neuerdings auch Emotionen und Bewusstsein. Diese Einführung bietet eine übersichtliche Darstellung der Entwicklung sowie der zentralen Probleme und Lösungsstrategien dieser neuen Disziplin. Manuela Lenzen studierte Philosophie in Bochum und Bielefeld. Als freie Wissenschaftsjournalistin schreibt sie u. a. für die Frankfurter Allgemeine und die Süddeutsche Zeitung, für die Frankfurter Rundschau und die Zeit.

4.1601E-4 = product of:
  0.00624015 = sum of:
    0.00624015 = product of:
      0.0124803 = sum of:
        0.0124803 = weight(_text_:information in 1171) [ClassicSimilarity], result of:
          0.0124803 = score(doc=1171,freq=20.0), product of:
            0.050870337 = queryWeight, product of:
              1.7554779 = idf(docFreq=20772, maxDocs=44218)
              0.028978055 = queryNorm
            0.2453355 = fieldWeight in 1171, product of:
              4.472136 = tf(freq=20.0), with freq of:
                20.0 = termFreq=20.0
              1.7554779 = idf(docFreq=20772, maxDocs=44218)
              0.03125 = fieldNorm(doc=1171)
      0.5 = coord(1/2)
  0.06666667 = coord(1/15)

Abstract

An important part of our information-gathering behavior has always been to find out what other people think. With the growing availability and popularity of opinion-rich resources such as online review sites and personal blogs, new opportunities and challenges arise as people can, and do, actively use information technologies to seek out and understand the opinions of others. The sudden eruption of activity in the area of opinion mining and sentiment analysis, which deals with the computational treatment of opinion, sentiment, and subjectivity in text, has thus occurred at least in part as a direct response to the surge of interest in new systems that deal directly with opinions as a first-class object. Opinion Mining and Sentiment Analysis covers techniques and approaches that promise to directly enable opinion-oriented information-seeking systems. The focus is on methods that seek to address the new challenges raised by sentiment-aware applications, as compared to those that are already present in more traditional fact-based analysis. The survey includes an enumeration of the various applications, a look at general challenges and discusses categorization, extraction and summarization. Finally, it moves beyond just the technical issues, devoting significant attention to the broader implications that the development of opinion-oriented information-access services have: questions of privacy, vulnerability to manipulation, and whether or not reviews can have measurable economic impact. To facilitate future work, a discussion of available resources, benchmark datasets, and evaluation campaigns is also provided. Opinion Mining and Sentiment Analysis is the first such comprehensive survey of this vibrant and important research area and will be of interest to anyone with an interest in opinion-oriented information-seeking systems.

LCSH

Information behavior
Information retrieval

Series

Foundations and trends(r) in information retrieval; 2,1/2

Subject

Information behavior
Information retrieval