Convolutional Neural Networks

Publikation: Beiträge in SammelwerkenKapitel

Standard

Convolutional Neural Networks. / Rudolph, Yannick; Brefeld, Ulf.
Sportinformatik: Modellbildung, Simulation, Datenanalyse und Visualisierung von sportbezogenen Daten. Hrsg. / Daniel Memmert. Berlin: Springer Spektrum, 2023. S. 207-215.

Publikation: Beiträge in SammelwerkenKapitel

Harvard

Rudolph, Y & Brefeld, U 2023, Convolutional Neural Networks. in D Memmert (Hrsg.), Sportinformatik: Modellbildung, Simulation, Datenanalyse und Visualisierung von sportbezogenen Daten. Springer Spektrum, Berlin, S. 207-215. https://doi.org/10.1007/978-3-662-67026-2_22

APA

Rudolph, Y., & Brefeld, U. (2023). Convolutional Neural Networks. In D. Memmert (Hrsg.), Sportinformatik: Modellbildung, Simulation, Datenanalyse und Visualisierung von sportbezogenen Daten (S. 207-215). Springer Spektrum. https://doi.org/10.1007/978-3-662-67026-2_22

Vancouver

Rudolph Y, Brefeld U. Convolutional Neural Networks. in Memmert D, Hrsg., Sportinformatik: Modellbildung, Simulation, Datenanalyse und Visualisierung von sportbezogenen Daten. Berlin: Springer Spektrum. 2023. S. 207-215 doi: 10.1007/978-3-662-67026-2_22

Bibtex

@inbook{7d97f83702dc44b19c82f4e31380c53e,
title = "Convolutional Neural Networks",
abstract = "Dieses Kapitel f{\"u}hrt in Convolutional Neural Networks (CNNs) ein und beschreibt, wie diese im Kontext der Sportanalyse verwendet werden k{\"o}nnen. Insbesondere eignen sich CNNs f{\"u}r das End-to-End-Lernen auf Bildern oder {\"a}hnlich strukturierten Daten. Dabei k{\"o}nnen CNNs Merkmale von Bildern anhand der Pixelwerte effizient lernen und beispielsweise sehr gute Merkmale f{\"u}r eine Klassifikationsaufgabe extrahieren. Die Modelle profitieren dabei von Parameter Sharing in den Convolutional Layern und zeichnen sich durch (bedingte) Translations{\"a}quivarianz und -invarianz aus. CNNs eignen sich auch daf{\"u}r, Merkmale aus Positionsdaten von Teamsportarten zu lernen, sofern die Daten in eine entsprechende Struktur gebracht werden.",
keywords = "Informatics, Business informatics, Language Studies",
author = "Yannick Rudolph and Ulf Brefeld",
note = "{\textcopyright} Der/die Autor(en), exklusiv lizenziert an Springer-Verlag GmbH, DE, ein Teil von Springer Nature 2023",
year = "2023",
month = jan,
day = "1",
doi = "10.1007/978-3-662-67026-2_22",
language = "English",
isbn = "978-3-662-67025-5",
pages = "207--215",
editor = "Daniel Memmert",
booktitle = "Sportinformatik",
publisher = "Springer Spektrum",
address = "Germany",

}

RIS

TY - CHAP

T1 - Convolutional Neural Networks

AU - Rudolph, Yannick

AU - Brefeld, Ulf

N1 - © Der/die Autor(en), exklusiv lizenziert an Springer-Verlag GmbH, DE, ein Teil von Springer Nature 2023

PY - 2023/1/1

Y1 - 2023/1/1

N2 - Dieses Kapitel führt in Convolutional Neural Networks (CNNs) ein und beschreibt, wie diese im Kontext der Sportanalyse verwendet werden können. Insbesondere eignen sich CNNs für das End-to-End-Lernen auf Bildern oder ähnlich strukturierten Daten. Dabei können CNNs Merkmale von Bildern anhand der Pixelwerte effizient lernen und beispielsweise sehr gute Merkmale für eine Klassifikationsaufgabe extrahieren. Die Modelle profitieren dabei von Parameter Sharing in den Convolutional Layern und zeichnen sich durch (bedingte) Translationsäquivarianz und -invarianz aus. CNNs eignen sich auch dafür, Merkmale aus Positionsdaten von Teamsportarten zu lernen, sofern die Daten in eine entsprechende Struktur gebracht werden.

AB - Dieses Kapitel führt in Convolutional Neural Networks (CNNs) ein und beschreibt, wie diese im Kontext der Sportanalyse verwendet werden können. Insbesondere eignen sich CNNs für das End-to-End-Lernen auf Bildern oder ähnlich strukturierten Daten. Dabei können CNNs Merkmale von Bildern anhand der Pixelwerte effizient lernen und beispielsweise sehr gute Merkmale für eine Klassifikationsaufgabe extrahieren. Die Modelle profitieren dabei von Parameter Sharing in den Convolutional Layern und zeichnen sich durch (bedingte) Translationsäquivarianz und -invarianz aus. CNNs eignen sich auch dafür, Merkmale aus Positionsdaten von Teamsportarten zu lernen, sofern die Daten in eine entsprechende Struktur gebracht werden.

KW - Informatics

KW - Business informatics

KW - Language Studies

UR - https://d-nb.info/1289270376

U2 - 10.1007/978-3-662-67026-2_22

DO - 10.1007/978-3-662-67026-2_22

M3 - Chapter

SN - 978-3-662-67025-5

SP - 207

EP - 215

BT - Sportinformatik

A2 - Memmert, Daniel

PB - Springer Spektrum

CY - Berlin

ER -

DOI