Multimedia Information Processing Group

Masterseminar - Deep learning in Computer Vision

Die Vorbesprechung hat bereits stattgefunden. Es sind jedoch noch Themen zu vergeben. Bei Interesse bitte bei Johannes Brünger melden.

In diesem Seminar sollen wichtige Arbeiten der letzten Jahre im Bereich des Deep learning bearbeitet werden. Der Hauptfokus liegt dabei auf Problemstellungen aus dem Bereich Computer Vision. So werden z.B. Themen wie Objektdetektion, Bildbeschreibung, Inpainting, Segmentierung usw. betrachtet. Es sollen aber auch allgemeinere Optimierungen oder Absicherung gegen Verfälschungen vorgestellt werden.

Deep learning examples

Themen:

1. Mask R-CNN Video
2. PSPNet: Pyramid Scene Parsing Network
3. Averaging Weights Leads to Wider Optima and Better Generalization
4. YOLOv3
5. Image-to-Image Translation with Conditional Adversarial Networks Github
6. Adversarial Patch Video
7. Understanding Neural Networks Through Deep Visualization Video
8. Recurrent Neural Networks for Semantic Instance Segmentation
9. Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network Video
10. Deep Visual-Semantic Alignments for Generating Image Descriptions Video1 Video2
11. Image Inpainting for Irregular Holes Using Partial Convolutions Video
12. EPINET: A Fully-Convolutional Neural Network Using Epipolar Geometry for Depth from Light Field Images
13. BEGAN: Boundary Equilibrium Generative Adversarial Networks
14. DeepXplore: Automated Whitebox Testing of Deep Learning Systems
15. Reluplex: An Efficient SMT Solver for Verifying Deep Neural Networks
16. Low-shot Visual Recognition by Shrinking and Hallucinating Features Github

Die Vergabe der Themen findet nach der Vorbesprechung statt.

Die Anzahl der Teilnehmer ist auf 16 beschränkt. Es wird eine Teilnahme an der Veranstaltung Inf-NNDL: Neural networks and deep learning im Sommersemester 2018 vorausgesetzt.

Ansprechpartner: Johannes Brünger