TY  - THES
AB  - ,,Place Recognition'' ist ein wesentlicher Bestandteil der Navigation in biologischen Systemen, z.B. bei Menschen. Hier entwickeln sich Fähigkeiten schrittweise im Unterbewusstsein, dadurch ist es eine herausfordernde Aufgabe, dieses Können einem technischen System beizubringen. Die Vielschichtigkeit der Aufgabe entsteht dadurch, dass Bewegungssensoren die Position eines Fahrzeugs nicht präzise schätzen können. Eine klassische Lösung dieses Problems ist, zusätzliche Sensoren, z.B. optische Kameras, einzusetzen und die Position des Fahrzeugs in einer geometrischen Karte zu verfolgen. Dagegen lernen biophysikalische Systeme Umgebungen ohne präzise geometrische Informationen mit Hilfe von visuellen Merkmalen. Inspiriert von diesem Eigenschaften führen viele moderne technische Systeme eine Kartierung im visuellen Bereich durch, um Fahrzeuge zu lokalisieren. Hier taucht die Szenenerkennung als einen Werkzeug für erscheinungsbasierte Kartenerstellung auf. Trotz umfangreicher Forschung auf dem Gebiet ,,Place Recognition'' sind bestehende Methoden von Offline-Training oder umgebungsbezogener Parameteroptimierung abhängig. In der Tat ist es unmöglich o.g. Anforderungen zu erfüllen, weil vorher nichts über die Umgebung bekannt ist. Vom Grund daher erfahren solche Systeme einen starken Leistungsabfall in unbekannten Umgebungen. In dieser Arbeit werden Herausforderungen des Online-Lernens und der Erkennung der Orten in unbekannten Gebieten betrachtet. Der biologischer Aspekt in dieser Arbeit besteht darin, die Stärken des menschlichen Seh- und Lernsystems zu nutzen. In diesem Zusammenhang werden visuelle Repräsentationen derSzene mit unterschiedlichen Gabor-Filtern extrahiert und mit der Nachbarschaft der Szene vereinigt. Um einen Online-Lernalgorithmus zu realisieren, wird ein evolutionäres, selbstorganisierendes neuronales Netzwerk entwickelt, welches das Konkurrenzverhalten der Zellen im visuellen und perirhinalen Kortex nachahmt. Anschließend wird das Place Recognition-Problem mithilfe der Bayesschen Statistik modelliert. Um eine Entscheidung für den Schleifenschluss zu treffen, wird die Aktivierungsstärke einer Sequenz hochaktiver Neuronen aufsummiert. Die Leistungsfähigkeit des Algorithmus wird mit verschiedenen Standardtestsequenzen getestet. Im Vergleich zu besten Verfahren (i.e. SeqSLAM) erzielt unser Algorithmus 15,2% hohe Erkennungsgenauigkeit und 42,5% schnellere Ausführungsgeschwindigkeit auf Strecken mit einer Länger von bis zu ca. 18km.
AU  - Kazmi, Syed Muhammad Ali Musa
CY  - Paderborn
DO  - 10.17619/UNIPB/1-2384
DP  - Universität Paderborn
LA  - eng
N1  - Tag der Verteidigung: 26.06.2025
N1  - Universität Paderborn, Dissertation, 2025
PB  - Veröffentlichungen der Universität
PY  - 2025
SP  - 1 Online-Ressource (xvi, 178 Seiten) Illustrationen, Diagramme
T2  - Fakultät für Elektrotechnik, Informatik und Mathematik
TI  - Evolving belief network for resource-efficient place recognition in unknown environments
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-56010
Y2  - 2026-02-02T20:24:52
ER  -