Multimedia Information Processing Group

Masterseminar - Deep Learning in Computer Vision

In diesem Seminar sollen wichtige Arbeiten der letzten Jahre im Bereich des Deep Learning bearbeitet werden. Das Seminar wird in Kooperation mit den Arbeitsgruppen "Zuverlässige Systeme" sowie "Intelligente Systeme" angeboten. Der Hauptfokus liegt daher auf Problemstellungen aus dem Bereich Computer Vision, Zuverlässigkeit und aktivem Lernen. So werden z.B. Themen wie Objektdetektion, Bildbeschreibung, Inpainting, Segmentierung aber auch Angriffe auf neuronale Netze betrachtet. Ebenso geht es um neuartige Lernverfahren.

Themen: Werden demnächst bekannt gegeben. Um schonmal eine Vorstellung von der Thematik zu bekommen, können die Paper auf der Seite des letztjährigen Seminars angeschaut werden.

Das Lernziel ist das selbstständige Erarbeiten und Verstehen aktueller Forschung und deren Aufbereitung und Darstellung in Form eines Vortrags und einer schriftlichen Kurz-Ausarbeitung. Vertiefung des Verständnis in Diskussionen mit den Seminarteilnehmer/innen.

Die Anzahl der Teilnehmer ist auf 16 beschränkt. Es wird eine Teilnahme an der Veranstaltung Inf-NNDL: Neural networks and deep learning vorausgesetzt.

Wenn ihr eins der Themen (siehe unten) bearbeiten wollt, meldet euch bitte bei Johannes Brünger

Vorläufiger Zeitplan:

November 2019: Ausarbeitung
Dezember 2019: Reviews der Ausarbeitungen anderer Teilnehmer
Januar 2020 - Februar 2020: Vorträge


Ansprechpartner: Johannes Brünger

 


 

This seminar will deal with important work of the last years in the field of Deep Learning. The seminar is offered in cooperation with the working groups "Reliable Systems" and "Intelligent Systems". The main focus is therefore on problems in the areas of computer vision, reliability and active learning. For example, topics such as object detection, image description, painting, segmentation and attacks on neural networks are considered. Likewise it concerns new learning techniques.

Topics: To be announced soon. To get an idea of the topics, the papers of last year's seminar can be viewed  here.

Learn goal: To understand current research independently and to present the content in a lecture and in a short written form. To intensify the understanding of the topics in discussion with other students.

The number of participants is limited to 16. Participation in the lecture Inf-NNDL: Neural networks and deep learning is required.

If you are interested in one of the topics below, please get in contact with Johannes Brünger

Preliminary schedule:

November 2019: Written elaboration
December 2019: Reviews of the work of other participants
January 2020 - February 2020: Presentations


Conatct: Johannes Brünger


 

Topics

  1. Deep Bayesian Active Learning with Image Data
  2. Deep active learning for civil infrastructure defect detection and classification
  3. Deep Image Prior
  4. A Style-Aware Content Loss for Real-time HD Style Transfer
  5. Unsupervised Deep Embedding for Clustering Analysis
  6. Unsupervised Representation Learning by Predicting Image Rotations
  7. Deep k-Nearest Neighbors: Towards Confident, Interpretable and Robust Deep Learning
  8. Deconstructing Lottery Tickets: Zeros, Signs, and the Supermask
  9. Sparse Networks from Scratch: Faster Training without Losing Performance
  10. Robust Physical-World Attacks on Deep Learning Visual Classification
  11. Correctness Verification of Neural Networks
  12. Mask-RCNN
  13. PersonLab: Person Pose Estimation and Instance Segmentation with a Bottom-Up, Part-Based, Geometric Embedding Model
  14. Unpaired Image-to-Image Tanslation using Cycle-Consistent Adversarial Networks
  15. Deep Ordinal Regression Network for Monocular Depth Estimation
  16. How Powerful are Graph Neural Networks