Conference Proceeding
Refine
Year of publication
Institute
- Fachbereich Elektrotechnik und Informationstechnik (286)
- Fachbereich Energietechnik (226)
- Fachbereich Luft- und Raumfahrttechnik (198)
- Fachbereich Maschinenbau und Mechatronik (188)
- Solar-Institut Jülich (164)
- Fachbereich Medizintechnik und Technomathematik (150)
- IfB - Institut für Bioengineering (114)
- Fachbereich Bauingenieurwesen (103)
- ECSM European Center for Sustainable Mobility (59)
- Fachbereich Wirtschaftswissenschaften (54)
- MASKOR Institut für Mobile Autonome Systeme und Kognitive Robotik (44)
- INB - Institut für Nano- und Biotechnologien (41)
- Fachbereich Chemie und Biotechnologie (34)
- Nowum-Energy (22)
- Kommission für Forschung und Entwicklung (17)
- Fachbereich Architektur (13)
- ZHQ - Bereich Hochschuldidaktik und Evaluation (8)
- Fachbereich Gestaltung (3)
- IaAM - Institut für angewandte Automation und Mechatronik (3)
- Arbeitsstelle fuer Hochschuldidaktik und Studienberatung (2)
- Institut fuer Angewandte Polymerchemie (2)
- Verwaltung (2)
- Digitalisierung in Studium & Lehre (1)
- FH Aachen (1)
- Freshman Institute (1)
- Kommission für Planung und Finanzen (1)
- Senat (1)
Has Fulltext
- no (1413) (remove)
Document Type
- Conference Proceeding (1413) (remove)
Keywords
- Enterprise Architecture (5)
- Gamification (5)
- Energy storage (4)
- Natural language processing (4)
- Power plants (4)
- hydrogen (4)
- solar sail (4)
- Associated liquids (3)
- Concentrated solar power (3)
- Hybrid energy system (3)
Der Aluminium-Sekundärstoffstrom in Deutschland unter transporttechnischen Gesichtspunkten : Vortrag
(1998)
This paper addresses the pixel based classification of three dimensional objects from arbitrary views. To perform this task a coding strategy, inspired by the biological model of human vision, for pixel data is described. The coding strategy ensures that the input data is invariant against shift, scale and rotation of the object in the input domain. The image data is used as input to a class of self organizing neural networks, the Kohonen-maps or self-organizing feature maps (SOFM). To verify this approach two test sets have been generated: the first set, consisting of artificially generated images, is used to examine the classification properties of the SOFMs; the second test set examines the clustering capabilities of the SOFM when real world image data is applied to the network after it has been preprocessed to be invariant against shift, scale and rotation. It is shown that the clustering capability of the SOFM is strongly dependant on the invariance coding of the images.