Pékezou Fouopi, Paulin (2020) Holistische Modellierung und Interpretation von Szenen und Situationen basierend auf symbolischen, probabilistischen und subsymbolischen Modellen. PhD, Universität Oldenburg.

Preview

Volltext (18Mb)

Abstract

In dieser Arbeit wird ein System vorgeschlagen, welches Wissensbasen (WB), probabilistische graphische Modelle (PGM) und tiefe neuronale Netze (TNN) zur holistischen Erfassung des Fahrzeugumfelds kombiniert. Die WB modellieren Kontextinformationen als Vorwissen über Szenenelemente und Situationsaspekte mithilfe von symbolischen Methoden wie Ontologien und Regelbasen. Um die WB mit Unsicherheiten zu erweitern, werden Teile dieser WB in Form von PGM abgebildet. TNN zur Verarbeitung von subsymbolischen Daten ergänzen das System. Das System hat den Vorteil, dass es gleichzeitig symbolische und subsymbolische Daten verarbeiten kann. Darüber hinaus können Teile des Systems aufgrund der expliziten und symbolischen Modellierung leicht interpretiert werden. Ferner ist der Aufwand zur softwaretechnischen Erweiterung der Komponente des modular aufgebauten Systems minimal. Eine Anwendung der Systems bei der Schätzung der Inkonsistenzen von semantisch segmentierten Regionen in Kamerabildern zeigt gute Ergebnisse. Eine weitere Anwendung zeigt anhand des Beispiels „Kind folgt Ball“ die Fähigkeit des Systems seltene Situationen zu prädizieren.

["eprint_fieldname_title_plus" not defined]

Holistic modelling and interpretation of scenes and situations based on symbolic, probalistic, and subsymbolic models

["eprint_fieldname_abstract_plus" not defined]

This work proposes a layer-based system that combines knowledge bases (KB), probabilistic graphical models (PGM), and deep neural networks (DNN) for holistic assessing the vehicle environment. The KB-based module consists of symbolic models, which explicitly represent context information as prior knowledge about scene elements and situation aspects using ontologies and logical rules. additionally, parts of the KB, which contain uncertainties, are described based on PGM in another module. Moreover, the system uses DNN to process subsymbolic information. The proposed system has the advantage that it can process symbolic and subsymbolic information simultaneously. Furthermore, parts of the system, which are explicitly and symbolic modelled, can be easily interpreted. In addition, the software components can be extended with minimal efforts due to the modularity of the system. One application of the system on detecting inconsistencies of semantic segmented regions in camera images shows promising results. Another application shows with the example “Child follows Ball” the capability of the system to predict rare situations.

Item Type:	Thesis (PhD)
Uncontrolled Keywords:	Wissensbasis, Markov-Modell, Neuronales Netz, Semantik, Segmentierung
Subjects:	Generalities, computers, information > Computer science, internet
Divisions:	School of Computing Science, Business Administration, Economics and Law > Department of Computing Science
Date Deposited:	07 May 2020 09:49
Last Modified:	11 May 2020 08:37
URI:	https://oops.uni-oldenburg.de/id/eprint/4601
URN:	urn:nbn:de:gbv:715-oops-46825
DOI:
Nutzungslizenz:

Actions (login required)

View Item