idw – Informationsdienst Wissenschaft

Nachrichten, Termine, Experten

Grafik: idw-Logo
Grafik: idw-Logo

idw - Informationsdienst
Wissenschaft

Science Video Project
idw-Abo

idw-News App:

AppStore

Google Play Store



Instanz:
Teilen: 
10.12.2019 13:03

TU Darmstadt: ERC Consolidator Grant für Forschung an tiefen neuronalen Netzwerken in der Computer Vision

Claudia Staub Stabsstelle Kommunikation und Medien
Technische Universität Darmstadt

    Darmstadt, 10. Dezember 2019. Stefan Roth, Informatik-Professor an der TU Darmstadt, erhält für seine Forschung einen der renommierten Consolidator Grants des Europäischen Forschungsrats (ERC). Sein Projekt „RED – Robust, Explainable Deep Networks in Computer Vision“ wird über einen Zeitraum von fünf Jahren mit rund zwei Millionen Euro gefördert. Damit werden die vielfältigen Aktivitäten der TU Darmstadt im Bereich der Künstlichen Intelligenz (KI) weiter ausgebaut.

    Ziel des Projektes des Wissenschaftlers ist die Entwicklung von Methoden, die die Bildanalyse mit künstlichen neuronalen Netzwerken (Deep Networks) robuster und nachvollziehbarer machen. Dadurch soll das Vertrauen in Methoden des Maschinellen Lernens in der Bildanalyse steigen, zum Beispiel im Kontext selbstfahrender Autos.

    Robuste Bildanalyse für autonome Fahrzeuge

    Selbstfahrende Autos müssen in kürzester Zeit ihr Umfeld basierend auf Kamera- und Sensordaten erfassen und analysieren, um korrekt reagieren zu können. Dabei ist nicht nur die Fehlertoleranz sehr gering, sondern die eingesetzten Bildanalysemethoden müssen auch bei schlechten Sichtverhältnissen zuverlässige Ergebnisse liefern. Um diese Robustheit zu erreichen, wären aktuell enorme Mengen an Trainingsdaten notwendig, welche aufwändig vom Menschen annotiert werden müssen. Weiterhin sollen autonome Fahrzeuge künftig auch mit seltenen Situationen umgehen können, die bei der Entwicklung möglicherweise nicht vorhergesehen wurden.

    „Die aktuellen Lernverfahren für die Computer Vision sind darauf optimiert, schnell und akkurat Bilder in relativ eng umrissenen Szenarien analysieren zu können. Für die Praxis ist es jedoch entscheidend, dass die Verfahren auch für andere, ähnliche Bilddaten verlässliche Aussagen treffen können und auch in Anwendungen einsetzbar sind, in denen nur kleine Datenmengen zum Trainieren verfügbar sind“, erklärt Roth, Professor am Fachbereichs Informatik sowie Leiter des Fachgebiets Visuelle Inferenz an der TU Darmstadt. Hinzu kommt, dass aktuelle Methoden selten angeben, wie verlässlich ihre Vorhersagen sind. Dies ist jedoch eine wichtige Voraussetzung, um das Vertrauen zukünftiger Nutzerinnen und Nutzer zu gewinnen.

    Einsatz künstlicher neuronaler Netzwerke

    Mit seiner Forschung im Projekt RED will Roth deshalb den Einsatz von künstlichen neuronalen Netzwerken in der Computer Vision signifikant verbessern. Insbesondere will er mit seinem Team die Robustheit der Methoden erhöhen und damit die Anwendbarkeit auf verschiedenste Szenarien ermöglichen. Gleichzeitig will er erforschen, welche Teile der eingesetzten Netzwerke welche Rolle bei der Ergebniserstellung übernehmen. Damit soll einerseits die Nachvollziehbarkeit verbessert, andererseits eine verlässliche Angabe über die Unsicherheit der Vorhersage ermöglicht werden.

    Das Arbeitsprogramm basiert auf konkreten Fragestellungen aus verschiedenen Bereichen der Computer Vision. Im Fokus stehen dabei Herausforderungen der 3D-Szenenanalyse von Bildern und Videos, zum Beispiel Aufgaben der semantischen Segmentierung, 3D-Rekonstruktion sowie Bewegungsschätzung.

    Perspektiven für Maschinelles Lernen und KI

    Am Ende des Projektes soll eine Art Werkzeugkasten mit Architekturen, Algorithmen und Praktiken für tiefe neuronale Netze entstehen, der den Einsatz von Computer Vision in Anwendungen ermöglicht, in denen wenig Fehlertoleranz besteht, nur eine kleine Trainingsdatenbasis verfügbar, und das Vertrauen durch den Nutzer entscheidend ist.
    „Wir erforschen grundlegende Aspekte neuronaler Architekturen im Bereich der Computer Vision. Gut möglich, dass unsere Ergebnisse auch in anderen Anwendungsbereichen des Maschinellen Lernens und der KI zum Einsatz kommen werden“, sagt Roth.

    Über die TU Darmstadt
    Die TU Darmstadt zählt zu den führenden Technischen Universitäten in Deutschland. Sie verbindet vielfältige Wissenschaftskulturen zu einem charakteristischen Profil. Ingenieur- und Naturwissenschaften bilden den Schwerpunkt und kooperieren eng mit prägnanten Geistes- und Sozialwissenschaften. Weltweit stehen wir für herausragende Forschung in unseren hoch relevanten und fokussierten Profilbereichen: Cybersecurity, Internet und Digitalisierung, Kernphysik, Energiesysteme, Strömungsdynamik und Wärme- und Stofftransport, Neue Materialien für Produktinnovationen. Wir entwickeln unser Portfolio in Forschung und Lehre, Innovation und Transfer dynamisch, um der Gesellschaft kontinuierlich wichtige Zukunftschancen zu eröffnen. Daran arbeiten unsere 308 Professorinnen und Professoren, 4.500 wissenschaftlichen und administrativ-technischen Mitarbeiterinnen und Mitarbeiter sowie rund 25.200 Studierenden. Mit der Goethe-Universität Frankfurt und der Johannes Gutenberg-Universität Mainz bildet die TU Darmstadt die strategische Allianz der Rhein-Main-Universitäten.

    MI-Nr. 84/2019, Roth/agr


    Bilder

    Merkmale dieser Pressemitteilung:
    Journalisten, Wissenschaftler
    Informationstechnik
    überregional
    Forschungsprojekte, Wettbewerbe / Auszeichnungen
    Deutsch


     

    Hilfe

    Die Suche / Erweiterte Suche im idw-Archiv
    Verknüpfungen

    Sie können Suchbegriffe mit und, oder und / oder nicht verknüpfen, z. B. Philo nicht logie.

    Klammern

    Verknüpfungen können Sie mit Klammern voneinander trennen, z. B. (Philo nicht logie) oder (Psycho und logie).

    Wortgruppen

    Zusammenhängende Worte werden als Wortgruppe gesucht, wenn Sie sie in Anführungsstriche setzen, z. B. „Bundesrepublik Deutschland“.

    Auswahlkriterien

    Die Erweiterte Suche können Sie auch nutzen, ohne Suchbegriffe einzugeben. Sie orientiert sich dann an den Kriterien, die Sie ausgewählt haben (z. B. nach dem Land oder dem Sachgebiet).

    Haben Sie in einer Kategorie kein Kriterium ausgewählt, wird die gesamte Kategorie durchsucht (z.B. alle Sachgebiete oder alle Länder).