Volltextdatei(en) vorhanden
Titel: Modeling Affection Mechanisms using Deep and Self-Organizing Neural Networks
Sonstige Titel: Nutzung von mehrschichtigen und selbstorganisierenden neuronalen Netzen zur Modellierung von affektiven Mechanismen
Sprache: Englisch
Autor*in: Alves de Barros, Pablo Vinicius
Schlagwörter: Affective Analysis; Emotion Recognition; Deep Neural Network; Self-organizing network
Erscheinungsdatum: 2016
Tag der mündlichen Prüfung: 2016-09-28
Zusammenfassung: 
One of the most important aspects of affective computing is how to make computational systems use emotion concepts in different situations. Although several types of research were done, we are still far away from having a system which can recognize and learn emotion concepts in a satisfactory way. In this thesis, we propose computational models which introduce a unified solution for emotional attention, recognition, and learning. These models are competitive in each of these tasks, and also provide an overview of a learning mechanism which adapts its knowledge according to a given situation.
URL: https://ediss.sub.uni-hamburg.de/handle/ediss/7063
URN: urn:nbn:de:gbv:18-83381
Dokumenttyp: Dissertation
Betreuer*in: Wermter, Stefan (Prof. Dr.)
Enthalten in den Sammlungen:Elektronische Dissertationen und Habilitationen

Dateien zu dieser Ressource:
Datei Beschreibung GrößeFormat  
Dissertation.pdf8.9 MBAdobe PDFÖffnen/Anzeigen
Zur Langanzeige

Diese Publikation steht in elektronischer Form im Internet bereit und kann gelesen werden. Über den freien Zugang hinaus wurden durch die Urheberin / den Urheber keine weiteren Rechte eingeräumt. Nutzungshandlungen (wie zum Beispiel der Download, das Bearbeiten, das Weiterverbreiten) sind daher nur im Rahmen der gesetzlichen Erlaubnisse des Urheberrechtsgesetzes (UrhG) erlaubt. Dies gilt für die Publikation sowie für ihre einzelnen Bestandteile, soweit nichts Anderes ausgewiesen ist.

Info

Seitenansichten

126
Letzte Woche
Letzten Monat
geprüft am 14.06.2021

Download(s)

16
Letzte Woche
Letzten Monat
geprüft am 14.06.2021
Werkzeuge

Google ScholarTM

Prüfe