Hauptseminar "Angewandte Bildverarbeitung"
Die maschinelle Bildverarbeitung ist seit vielen Jahren eine weitverbreitete Technik, die allerdings
erst in Kombination mit künstlich neuronalen Netzen bahnbrechende Ergebnisse erzielt. Seit 2012
konnten mithilfe dieser sogenannten Convolutional Neural Networks (CNNs) Aufgaben im Bereich der
Objekterkennung, also der Detektion und Klassifizierung von Objekten in einem Bild, sehr gut gelöst
werden. In einigen Aufgabenbereichen übertrifft die Qualität der automatischen Erkennung sogar die
eines Menschen. Neben den grundsätzlichen Fragen nach der Funktionsweise und der Entwicklung dieser
CNNs steht in diesem Seminar auch die Frage der Anwendungsbereiche im Vordergrund. Neben den
klassischen Vorreitern der Branche wie dem autonomen Fahren setzen inzwischen auch viele
nicht-technologische Bereiche die Objekterkennung ein. Gerade dann, wenn häufig mit Bildern oder
Abbildungen gearbeitet wird, ist ein Einsatz denkbar. So kommt die Bildverarbeitung auch in der
Medizin, in der Kunstgeschichte oder der Archäologie erfolgreich zum Einsatz.
Anforderungen
Aus dem Modulhandbuch:
In dieser Veranstaltung zeigen Studierende, dass sie in der Lage sind, das im Studium erlernte
Wissen auf ein Spezialthema anzuwenden und dieses ihren Kommilitoninnen und Kommilitonen
verständlich zu präsentieren.
Prüfungsvorleistung: Regelmäßige Teilnahme (Teilnahme an mindestens 11 Vorträgen von Kommilitoninnen
und Kommilitonen). Prüfungsleistung: Präsentation (45 Minuten) und schriftliche Ausarbeitung (etwa
15 Seiten).
Anmeldung
Die Anmeldung zum Hauptseminar findet ausschließlich über die Online-Dienste statt. Eine
Einschreibung in den Moodlekurs alleine
reicht nicht aus! Bitte beachten Sie, dass die Teilnahme auf zwölf Personen beschränkt sein wird.
Die Einwahl wird voraussichtlich mit allen anderen Modulen in einigen Wochen freigeschaltet.
Mögliche Quellen und Literatur
Technische Funktionsweise
- Krizhevsky, Alex: ImageNet Classification with Deep Convolutional Neural Networks. ACM
- Szegedy, Christian: Deep Neural Networks for Object Detection. NIPS
- Girshick, Ross: Rich feature hierarchies for accurate object detection an semantic segmentation. arXiv
- Sermanet, Pierre: OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks. arXiv
- Girshick, Ross: Fast R-CNN. arXiv
- Ren, Shaoqing: Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. arXiv
- He, Kaiming: Mask R-CNN. arXiv
- Liu, Wei: SSD: Single Shot MultiBox Detector. arXiv
- Redmon, Joseph: YOLOv3: An Incremental Improvement. arXiv
Praktische Einsatzmöglichkeiten
- Digital Art History
- Electronic Media and Visual Arts
- Journal of Digital Humanities
- Computing in Art and Architecture
- Journal of Machine Learning Research
- Zeitschrift für digitale Geisteswissenschaften