Institute Homepage
Institute Homepage DE Sign In

Back

Sebastian Gerwinn

Empirical Inference Alumni

no image
sebastian.gerwinn@tuebingen.mpg.de
Unüberwachtes Lernen Steuerbarer Filter
Unüberwachtes Lernen Steuerbarer Filter
Obwohl sich die Pixel-Darstellung eines Bildes unter affinen Transformationen wie Translation,     Rotation und Skalierung stark ändert, bleibt der Inhalt des Bildes weitgehend unverändert. Insbesondere, wenn sich die Änderungen eines D-dimensionalen Lichtintensitätsvektors durch eine einparametrige Lie-Gruppe beschreiben lassen, ist es möglich, eine verlustfreie Bildrepräsentation zu finden, bei der eine Komponente dem Transformationsparameter entspricht und die anderen (D-1) Komponenten invariant sind unter der Lie-Gruppentransformation. Um solche Bildrepräsentationen abzuleiten, konstruieren wir geeignete generative Modelle, mit denen Steuerbare Filter auf unüberwachte Weise gelernt werden können. Insbesondere haben wir zeigen können, dass es möglich ist mit einer anti-symmetrischen Variante der Kanonischen Korrelationsanalyse (CCA), eine vollständige Basis für 32x32 Bildausschnitte zu bestimmen, die sich aus rotationsinvarianten Steuerbaren Filtern zusammensetzt.
Bayesian Models for Multi-Electrode Neuronal Spike Recordings

We investigate Bayesian methods to predict responses from multiple retinal and LGN ganglion cells, conditioned on visual stimuli.