Semester

jedes Semester

Inhalte

Deep Learning ist im Bereich Computer Vision mittlerweile allgegenwärtig. Tiefe neuronale Netze finden in fast allen Bereichen des Lebens Einzug: Bei der Gesichtserkennung im Smartphone, in verschiedensten Bereichen der Medizin oder durch autonomes Fahren im Straßenverkehr.

Problematisch ist, dass es für den Mensch oft nicht nachvollziehbar ist, wie die Vorhersage eines neuronalen Netzes zustande kommt (Black-Box-Modell). Gerade in kritischen Bereichen ist es daher wichtig, die Verlässlichkeit der Ausgaben einschätzen zu können: Ob es sich mit 2-prozentiger oder 20-prozentiger Wahrscheinlichkeit um einen bösartigen Krebs handelt, könnte für die Behandlung schließlich einen entscheidenden Unterschied machen!

• Welche Ursachen für Unsicherheit gibt es?
• Reicht es vielleicht schon, die standardmäßig vom Netz mitgelieferten Konfidenzen zu verwenden?
• Welche aktuellen Möglichkeiten gibt es, eine gute Schätzung der Modellunsicherheit zu liefern?
• …

Dabei soll das Seminar einen grundlegenden Überblick über den Umgang mit Unsicherheit in der maschinellen Bildverarbeitung geben und die Ideen von aktuellen Techniken vermitteln. Eine gewisse Vorbildung im Bereich der digitalen Bildverarbeitung ist wünschenswert, aber nicht zwingend erforderlich. Von jedem Seminarteilnehmer wird ein 30-minütiger Vortrag, eine 7-10 Seiten lange Ausarbeitung (10-16 Seiten für Master-Studierende), Anwesenheit, sowie eine aktive Mitarbeit erwartet.

Moduldaten

Seminar “Rechnersehen”

Wahlpflichtmodul im B.Sc. Informatik

Wahlpflichtmodul im B.Sc. Angewandte Informatik

Wahlpflichtmodul im B.A. Ergänzungsfach Informatik

Seminar “Fortgeschrittene Methoden im Rechnersehen”

Wahlpflichtmodul “Computer Vision” (3LP) im M.Sc. Informatik

Wahlpflichtmodul “Seminar” im M.Sc. Informatik

Wahlpflichtmodul im M.Sc. Computational and Data Science

Wahlpflichtmodul für Informatik Lehramt Gymnasium