Humboldt-Universität zu Berlin - Mathematisch-Naturwissenschaftliche Fakultät - Visual Computing

Deep Neural Networks für Computer Vision


 

Zu den wichtigen Aufgaben in Computer Vision zählen Objektdetektion und -klassifikation, Objektverfolgung und Szenenrekonstruktion. In den letzten Jahren wurden auf diesen Gebieten neben den klassischen Ansätzen auch verstärkt tiefe neuronale Netze (DNN) eingesetzt und beachtliche Erfolge damit erzielt, speziell wenn große Mengen an Trainingsdaten zur Verfügung stehen. Für viele Vision Aufgaben sind allerdings kaum gelabelte Trainingsdaten vorhanden oder Standardstrukturen der neuronalen Netze ungeeignet.

Im Rahmen des Seminars sollen daher neue Ansätze des Deep Learnings für Computer Vision Aufgaben untersucht und diskutiert werden. Wir wollen untersuchen, ob neuronale Netze besser funktionieren als herkömmliche Algorithmen, diskutieren dabei wichtige Kompromisse wie Leistung, Trainingszeit und benötigte Größe der Trainingdaten. Wir erarbeiten uns Hintergrundwissen zu tiefen neuronalen Netzwerkansätzen und untersuchen die Verbindung von klassischen Ansätzen mit DNNs genauso wie die Synthese von Bildern mit GANs. Dazu wird ein Überblick über relevante Literatur gegeben. Das Seminar findet in deutscher Sprache statt.

Selbständiges Arbeiten sowie die Fähigkeit, Englisch-sprachige Literatur zu lesen, sind Voraussetzung für die Teilnahme an dem Seminar.

Die Teilnehmerzahl ist begrenzt, die Anmeldung erfolgt über Agnes.

 

Termine und Ablauf des Seminars

Mittwochs 15:00ct bis 17:00 Uhr im Raum 4.113 RUD 25

Am Mittwoch den 17. Oktober 2018 findet von 15.00 c.t. bis 17.00 Uhr (Raum: RUD 25, 4.113) die Einführungsveranstaltung statt, die für alle Teilnehmer verpflichtend ist. Dort werden die Themen erläutert und an die interessierten Studierenden vergeben.

Jeder Studierende muss einen etwa 30 Minuten langen Vortrag über das zugewiesene Thema halten und am Ende der Veranstaltung eine Seminararbeit über das Thema abgeben sowie 2 andere Arbeiten reviewen. Nach jedem Vortrag findet eine Diskussion über Inhalte und Vortrag statt, bei der aktive Teilnahme der anderen Seminarteilnehmer erwartet wird. Die Seminararbeit soll einen Überblick über das gewählte Thema und die Publikationen geben. Außerdem sollen noch in 1-2 Seiten Anregungen, eigene Ideen und Verbesserungsvorschläge gegeben werden.

Termin Thema Bearbeiter
17.10.2018 Einführungsveranstaltung Peter Eisert, Ralf Reulke
24.10.2018 Einführung Neuronale Netze Frank Heymann
07.11.2018 4 min Kurzpräsentation zu jedem Thema alle Teilnehmer
14.11.2018 Deep Contour Shabas
Deep Recurrent NN Kolmetz
21.11.2018 LIFT: Learned Features Ketzler
Maritime Surveillance Golde
28.11.2018 Semantic Segmentation Eising
Brain Tumor Segmentation Radtke
05.12.2018 Motion Capture Rink
Tracking Krause
12.12.2018 Neural Style Transfer Kremer
Colorful Image Colorization Lenk
19.12.2018 Model-based DNN Face Autoencoder Kauter
Video Classification Ansar
09.01.2019 CycleGAN Berger
Visual Recognition and Description Repinetska
16.01.2019 Glow: Face Synthesis Richter
Everybody Dance Now Wesolek
23.01.2019 Online Multi-Target Tracking Campayo
Brain Tumor Segmentation Radtke
30.01.2019 Abgabe Seminararbeit alle
06.02.2019 Ausweichtermin
13.02.2019 Abgabe Reviews alle

 

Themen des Seminars

  1. Grundlagen der tiefen neuronalen Netze (DNN)
  2. Erklärung von DNN Enscheidungen
  3. Objektklassifikation mit DNNs
  4. Kombination von DNNs mit klassischer Computer Vision
  5. Generative Netzwerke (Synthese)

 

Voraussetzungen für den Schein

  • Teilnahme an der Einführungsveranstaltung
  • Aktive Teilnahme an den Diskussionen nach den Präsentationen
  • Ca. 30 minütiger Vortrag über gewähltes Thema
  • Selbständiges Erstellung einer Seminararbeit im Umfang von 10-20 Seiten (inkl. 1-2 Seiten eigene Ideen, Verbesserungsvorschläge); Abgabe per email mit unterschriebener Selbständigkeitserklärung
  • Review zweier anderer Seminararbeiten

 

Vorlagen und Materialien

Die Veröffentlichungen zu den einzelnen Themen sowie Vorlagen für die Folien und Seminararbeit können über Moodle geladen werden.