Homepage von Manuel Groh

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