Interessensgebiete

Künstliche Intelligenz (KI) & Data Mining

Bild- und Signalverarbeitung

    • Muster- und Gesichtserkennung,
    • Computational Geometry (3D-Modellierung, ASM/AAM, Stereo, Image Mosaicing),
    • Gestenerkennung
    • 3D Natural User Interfaces (NUIs): Kinect, Wii
  • Medizinische Bildverarbeitung.

Optimierung, Simulation, Spieltheorie

  • Optimierung: multikriteriell, EGO, Kriging, Constraints
  • Lernen von Strategien, Game Learning,
  • Simulation,
  • Game Physics,

 

Kleines Glossar

 

ASM Active Shape Models: Will man in der Bildverarbeitung deformierbare Objekte (Gesichter, Hände, medizinische Aufnahmen) beschreiben, so kommt man mit starren Modellen nicht sehr weit. Shape Models sind flexible Konturen oder Formen (Form = shape), die „lernen“, in welche Richtung sie sich leicht / schwer deformieren lassen. Active Shape Models sind Modelle, die sich automatisch auf ein vorgegebenes Bild anpassen.
LV: WPF MIAV (BA) und WPF MIAV (MA).
AAM Active Appearance Models: Weiterentwicklung der ASMs: nicht nur die Form, sondern auch die Textur (Aussehen = appearance) wird gelernt. Hierdurch lassen sich mit nur wenigen Parametern aus einem Modell eine Vielzahl von Bildinstanzen erzeugen. Anwendungsfelder: Gesichtsmodellierung, -findung, z.B. Tracking bei Videotelefonie, Übertragung von Gesichtsmimik auf Avatare, Eye Tracking, modellbasierte Registrierung in medizinischen Bildern.

LV: WPF MIAV (BA) und WPF MIAV (MA).
Externe Links: www.isbe.man.ac.uk/~bim, http://www2.imm.dtu.dk/~aam.
Computational Intelligence (CI) Der Begriff Computational Intelligence (CI) umfasst die drei Gebiete Evolutionäre Algorithmen, Neuronale Netze und Fuzzy Logic. Methoden der Computational Intelligence finden Anwendung bei komplexen Optimierungsaufgaben und bei Aufgaben des Data Mining.
LV: WPF DMC
Data Mining Data Mining befasst sich mit der automatisierten Analyse von Daten im weitesten Sinne, wie z.B. Geschäftsprozessdaten in Data Warehouses, Messreihen aus technischen Systemen, Daten in geografischen Informationssystemen bis hin zum Text Mining als aktuellem Forschungsgebiet.
LV: WPF DMC
Game Physics Wenn in Computerspielen Bewegung und Verhalten von Objekten und Charakteren gemäß physikalischer Gesetze online berechnet werden, so spricht man von Game Physics oder Physics Engines. Dadurch können auch komplexe Interaktionsmuster (Kollisionen) oder Oberflächen (Wasser, Stoffe) realitätsnah abgebildet werden. Die Gestaltung von interaktiven virtuellen Welten wird mit Physics Engines wesentlich vereinfacht. Bekannte Vertreter sind ODE (Open Dynamics Engine) oder Newton.
LV: WPF Spiele und Simulation.
Image Mosaicing Beim Image Mosaicing werden mehrere überlappende Bilder so transformiert (Warping) und dann zusammengesetzt, dass sich ein großes Gesamtbild ergibt (Anwendung z.B. bei 360-Grad-Panoramen). Die Kunst liegt darin, die Passung möglichst vollautomatisch zu ermitteln. Man unterscheidet zwischen featurebasierten und intensitätsbasierten Ansätzen.
LV: WPF BV
Kinect Die Microsoft Kinect kann 3D-Informationen messen (Stereo-Triangulation mittels spezieller IR-Beleuchtung und -Kamera). Mit einer speziellen Software kann sie bei Menschen, die sich vor der Kamera bewegen, Körperteile wie Hände und Kopf detektieren und nachverfolgen. Damit erlaubt die Kinect eine 3D-Interaktion zwischen Mensch und Computer, ohne dass der Mensch irgendwelche Sensoren tragen muss.
LV: WPF Spiele und Simulation.
Neuroevolution Unter Neuroevolution versteht man die Veränderung eines neuronalen Netzes mit Methoden der Evolutionären Algorithmen. Es kann sich dabei um eine Optimierung der Gewichte oder um eine Optimierung der Topologie handeln. Ist besonders dann vorteilhaft, wenn nicht für jede einzelne Aktion des Netzes eine Bewertung verfügbar ist, also z.B. beim Reinforcement Learning.
LV: Case Studies SOMA, BA-/MA-Abschlussarbeiten
Externe Links: http://nn.cs.utexas.edu/pages/research/neuroevolution.html.
Random Forest Random Forest ist ein Lernverfahren des Data Mining. Es werden viele Entscheidungsbäume parallel mit leicht unterschiedlichen Teilmengen der Daten trainiert. Die Bäume gemeinsam geben dann einen Mehrheitsentscheid ab. Diese Entscheidung des „Waldes“ ist oftmals wesentlich besser als die Entscheidung eines Einzelverfahrens.
LV: WPF DMC
Slow Feature Analysis (SFA) SFA ist ein Analyseverfahren aus der Neuroinformatik (Laurenz Wiskott, Ruhr-Uni Bochum). Ziel der SFA ist es, in einem mehrdimensionalen Zeitsignal solche Kombinationen oder „Konzepte“ zu suchen, die langsam veränderlich sind. Anschauliches Bild: Das Zebra, das sich kohärent vor der Retina bewegt, bewirkt in jeder Retinazelle ein schnell veränderliches Signal, da die Zelle in jedem Moment eine andere Lichtintensität empfängt. Das Konzept „Zebra ist da und bewegt sich nach rechts oben“ ist ein vergleichsweise langsames Signal und kann mit SFA gefunden werden. Anwendungen: langsame Drift, Driving Force oder Umschaltvorgänge in nichtstationären Prozessen.
LV: Case Studies SOMA, BA-/MA-Abschlussarbeiten
Support Vector Machine (SVM) SVM ist ein Lernverfahren des Data Mining. Es wird hauptsächlich für robuste Klassifikation angewendet. Die Klassifikation ist robust, weil die Trennfläche so positioniert wird, dass sie einen möglichst großen Abstand zu den Trainingspunkten hat. Dadurch ist es manchmal möglich, auch in hochdimensionalen Datenräumen mit vergleichsweise wenigen Trainingsrecords einen guten Klassifikator zu bauen. Dies ist besonders vorteilhaft für Text Mining, denn dort ist die Anzahl der Dimensionen (=Größe des Vokabulars) oft sehr hoch.
LV: Case Studies SOMA, BA-/MA-Abschlussarbeiten
Text Mining Text Mining bezeichnet die automatisierte Erschliessung von Informationen aus frei formatierten Texten. Eine Standardaufgabe des Text Mining ist die Klassifikation (Anwendungsgebiete: Information Management, Klassifikation von E-Mails)
LV: WPF DMC
Warping geometrische Transformation eines Bildes: Jedes Pixel bekommt einen Grauwert aus einer Quellregion zugewiesen, die eine (meist stetige) Funktion des Pixelortes ist. (Man stelle sich vor, das Bild sei auf einer beliebig dehnbaren Gummihaut gemalt).
LV: WPF BV
Reinforcement Learning (RL) RL ist ein Ansatz des Maschinellen Lernens zur Lösung von Optimalsteuerungsproblemen. Das Ziel besteht darin, eine Aktionsauswahlregel (Policy) zu finden, die einen Agenten optimal innerhalb einer vorgegebenen Umgebung steuert. Der Agent erhält dabei oft nur nach einer gewissen Anzahl von Schritten ein Feedback (z.B. eine Belohnung). Berühmtes Anwendungsbeispiel ist TD-Gammon, ein von G. Tesauro entwickelter Agent, der durch RL gelernt hat, das Spiel Backgammon auf Weltklasseniveau zu spielen
LV: Case Studies SOMA, BA-/MA-Abschlussarbeiten
(… wird fortgesetzt …)

 

LV: Lehrveranstaltung, in der dieser Begriff vertieft wird