|
|
Einrichtungen >> Technische Fakultät (TF) >> Department Informatik (INF) >>
|
Lehrstuhl für Informatik 5 (Mustererkennung)
| |
Algorithmen und Datenstrukturen (für Medizintechnik) Tafelübung [AuD-MT-TUE] -
- Dozentinnen/Dozenten:
- Martin Gropp, Matthias Utzschneider, Robert Richer
- Angaben:
- Übung, 2 SWS, Schein, ECTS: 2,5, für Anfänger geeignet, Frühstudium
- Termine:
- Di, 14:00 - 15:30, H4
- Studienrichtungen / Studienfächer:
- WF MT-BA 2
|
| |
Computer Vision [CV] -
- Dozentinnen/Dozenten:
- Christian Riess, Marc Stamminger
- Angaben:
- Vorlesung, 2 SWS, ECTS: 2,5, nur Fachstudium
- Termine:
- Mi, 10:00 - 12:00, 01.255-128
- Studienrichtungen / Studienfächer:
- WPF INF-MA ab 1
WF IuK-MA-MMS ab 1
- Inhalt:
- This lecture discusses important algorithms from the field of computer vision. The emphasis lies on 3-D vision algorithms, covering the geometric foundations of computer vision, and central algorithms such as stereo vision, structure from motion, optical flow, and 3-D multiview reconstruction. Participants of this advanced course are expected to bring experience from prior lectures either from the field of pattern recognition or from the field of computer graphics.
- Empfohlene Literatur:
- Richard Szeliski: "Computer Vision: Algorithms and Applications", Springer 2011.
- Schlagwörter:
- computer vision; stereo vision; structure from motion; multi-view reconstruction
|
| |
Human Computer Interaction [HCI] -
- Dozent/in:
- Björn Eskofier
- Angaben:
- Vorlesung, 3 SWS, ECTS: 3,75
- Termine:
- Di, Mi, 14:15 - 15:45, H10
ab 26.4.2017
- Studienrichtungen / Studienfächer:
- WPF INF-MA ab 1
WPF INF-BA ab 5
WPF INF-BA-S ab 5
WF CE-MA ab 1
WF CE-BA-TW ab 5
WF IuK-MA ab 1
WF IuK-BA ab 5
WF SIM-DH ab 1
WF EEI-MA ab 1
WF EEI-BA ab 5
WPF MT-MA-BDV ab 1
WF MT-MA-GPP ab 1
WF MT-MA-MEL ab 1
WPF MT-BA ab 5
- Voraussetzungen / Organisatorisches:
- Folien zur Vorlesung und Organisation über Studon.
- Inhalt:
- Die Vorlesung vermittelt Konzepte, Prinzipien, Modelle, Methoden und Techniken für die effektive Entwicklung von benutzerfreundlichen Mensch-Computer-Schnittstellen. Das Thema moderner Benutzungsschnittstellen wird dabei für klassische Computer aber auch für mobile Geräte, eingebettete Systeme, Automobile und intelligente Umgebungen betrachtet.
Die folgenden Themen werden in der Vorlesung behandelt:
Einführung in die Grundlagen der Mensch-Computer-Interaktion, historische Entwicklung Entwurfsprinzipien und Modelle für moderne Benutzungsschnittstellen und interaktive Systeme Informationsverarbeitung des Menschen, Wahrnehmung, Motorik, Eigenschaften und Fähigkeiten des Benutzers Interaktionskonzepte und -stile, Metaphern, Normen, Regeln und Style Guides Ein- und Ausgabegeräte, Entwurfsraum für interaktive Systeme Analyse-, Entwurfs- und Entwicklungsmethoden und -werkzeuge für Benutzungsschnittstellen Prototypische Realisierung und Implementierung von interaktiven Systemen, Werkzeuge Architekturen für interaktive Systeme, User Interface Toolkits und Komponenten Akzeptanz, Evaluationsmethoden und Qualitätssicherung
- Schlagwörter:
- human-computer interaction, Mensch-Maschine-Schnittstelle, grafische Benutzerschnittstellen, mobile Mensch-Computer-Interaktion, Mensch-Maschine-Interaktion im Fahrzeug, ubiquitäre und eingebettete interaktive Systeme
|
| |
Human Computer Interaction Exercises [HCI-E] -
- Dozent/in:
- Markus Wirth
- Angaben:
- Übung, 1 SWS, ECTS: 1,25
- Termine:
- Mo, 10:15 - 11:45, 0.031-113
ab 8.5.2017
- Studienrichtungen / Studienfächer:
- WPF INF-MA ab 1
WF INF-BA ab 5
WF INF-BA-S ab 5
WF CE-MA ab 1
WF CE-BA-TW ab 5
WF IuK-MA ab 1
WF IuK-BA ab 5
WF SIM-DH ab 1
WF EEI-MA ab 1
WF EEI-BA ab 5
WPF MT-MA-BDV ab 5
WF MT-MA-GPP ab 5
WF MT-MA-MEL ab 5
WPF MT-BA 5
- Schlagwörter:
- human-computer interaction, Mensch-Maschine-Schnittstelle, grafische Benutzerschnittstellen, mobile Mensch-Computer-Interaktion, Mensch-Maschine-Interaktion im Fahrzeug, ubiquitäre und eingebettete interaktive Systeme
|
| |
IT-Modernisierung [IT-Modern] -
- Dozent/in:
- Peter Wilke
- Angaben:
- Vorlesung, 4 SWS, ECTS: 5, nur Fachstudium
- Termine:
- Mo, 12:30 - 14:00, 10:00 - 11:45, 01.134
- Studienrichtungen / Studienfächer:
- WPF INF-MA ab 1
WPF INF-BA ab 4
WPF IIS-MA ab 1
- Voraussetzungen / Organisatorisches:
- Bei Interessen bitte Anmeldung per E-Mail an
mailto:Peter.Wilke@FAU.DE Sie werden dann über alles Aktuelle auf dem Laufenden gehalten. Momentan planen wir die Veranstaltung Mo 10:00-14:00 Uhr. Dies gibt uns die Möglichkeit ca. 1 Stunde Mittagspause zu machen, die konkrete Zeit und Dauer der Pause richtet sich nach dem Stoff.
In der Mittagspause besteht die Gelegenheit, mit den Dozenten zu plaudern... Einige der Themen werden als Fallstudien bearbeitet. D.h. der Dozent stellt eine IT-Modernisierungs-Situation dar, die Hörer müssen dann eine Lösung erarbeiten, entweder direkt in der Vorlesung oder als Hausaufgabe. Die Gruppen tragen dann ihre Lösung vor und dann wird mit der tatsächlich umgesetzten Lösung verglichen. Prüfungsleistung: mdl. Prüfung von ca. 30min Dauer Anrechenbar für folgende Säulen:
- Inhalt:
- IT-Modernisierung beschäftigt sich mit dem Ersatz alter Software- und/oder Hardware. Software im kommerziellen Bereich hat eine typische Lebensdauer von über 25 Jahren, damit ist klar, dass diese keine der momentan oder zukünftig zur Verfügung stehenden Möglichkeiten nutzt oder nutzen kann, denn "damals" waren Single-CPUs der Standard und Vernetzung unbekannt.
Durch das hohe Investionsvolumen ist eine Neu-Programmierung praktisch immer wirtschaftlich nicht sinnvoll und technisch oft unmöglich, da gar nicht genügend Programmierer zur Verfügung stehen.
Die Software hat aber einen hohen Reifegrad erreicht, so dass sich die Frage stellt, ob man diese nicht automatisiert auf neue Technologien umstellen kann.
Dieses Modul beleuchtet nun exemplarisch, auf welchen Feldern Bedarf besteht, wie der Stand der Technik ist, und welche zukünftigen Fragestellungen sich abzeichnen.
Die Studierenden werden durch Übungsaufgaben mit den "alten" Programmiersprachen wie Cobol, Assembler, Fortran uä. vertraut gemacht, und bearbeiten selbstständig kleine Migrations-Aufgaben.
Als Dozenten werden erfahrene Spezialisten aus der Industrie über ihre Fragestellungen und Ansätze berichten.
Momentane Planung (Themen nicht zwingend in dieser Reihenfolge):
Einleitung Überblick Aufbau (Architektur) eines Rechenzentrums DB2 unter z/OS Exkursion DATEV Rechenzentrum RZ Konsolidierung Server Konsolidierung Cobol Grundlagen, RD/z, TSO/ISPF, JCL System z Hardware Grundlagen Java am Host Mainframe Programmierung Legacy-Anwendungen in einer Cloud-Architektur, CICS Modernisierung Internationalisierung: Unicode im Rechenzentrum Praxisbericht IT-Betrieb (Aufgabenstellung) Infrastrukturen-Modernisierung Praxisbericht IT-Betrieb
- Empfohlene Literatur:
- wird gerade zusammengestellt ...
- Schlagwörter:
- IT-Modernisierung, Fortran, Cobol, Assembler, Mainframe
|
| |
Kolloquium Magnetic Resonance Imaging [KoMRI] -
- Dozentinnen/Dozenten:
- Andreas Maier, Armin Nagel, Frederik Laun
- Angaben:
- Kolloquium, 2 SWS, Das Kolloquium findet im wöchentlichen Wechsel im Seminarraum der Radiologie, U1.230-1, Ulmenweg 18, und bei uns an der TechFak statt.
- Termine:
- Do, 17:00 - 18:30, 01.134
- Studienrichtungen / Studienfächer:
- WPF INF-MA ab 1
- Schlagwörter:
- magnetic resonance imaging, mri
|
| |
Pattern Analysis [PA] -
- Dozent/in:
- Christian Riess
- Angaben:
- Vorlesung, 3 SWS, benoteter Schein, ECTS: 3,75
- Termine:
- Mi, 8:15 - 9:45, H16
Do, 18:15 - 19:45, H16
- Studienrichtungen / Studienfächer:
- PF MT-MA-BDV 1-4
WPF IuK-MA-MMS-INF 1-4
WPF IuK-MA-MMS 1-4
WPF CME-MA 1-4
WF CME-MA 1-4
WPF INF-MA 1-4
WPF CE-MA-INF ab 1
WF ASC-MA 1-4
- Voraussetzungen / Organisatorisches:
- Pattern Recognition
- Inhalt:
- This lecture complements (and builds on top of) the lectures "Introduction to Pattern Recognition" and "Pattern Recognition".
In this third edition, we focus on modeling of densities, and how to use these models for analyzing the data.
Major topics of this lecture are regression, density estimation, manifold learning, hidden Markov models, conditional random fields, and random forests.
The lecture is accompanied by exercises, where theoretical results are
practically implemented and applied.
- Empfohlene Literatur:
- Richard O. Duda, Peter E. Hart und David G. Stork: Pattern Classification, Second Edition, 2004
Christopher Bishop: Pattern Recognition and Machine Learning, Springer Verlag, Heidelberg, 2006
Antonio Criminisi and J. Shotton: Decision Forests for Computer Vision and Medical Image Analysis, Springer, 2013
Kevin P. Murphy: Machine Learning: A Probabilistic Perspective, MIT Press, 2012
papers referenced in the lecture
- Schlagwörter:
- pattern recognition, pattern analysis
|
| |
Projekt Computer Vision [ProjCV] -
- Dozentinnen/Dozenten:
- Peter Fürsattel, André Aichert, Thomas Köhler, Tobias Geimer, Vincent Christlein
- Angaben:
- Praktikum, ECTS: 10
- Termine:
- Mo, 12:00 - 14:00, 00.152-113, 0.01-142
Einzeltermin am 2.5.2017, 10:00 - 12:00, 01.134
- Studienrichtungen / Studienfächer:
- WPF INF-MA ab 1
WPF MT-MA ab 1
- Voraussetzungen / Organisatorisches:
- Basic knowledge of image processing is desirable.
In the first session there will be a short recap on image representation and basic image filtering techniques.
However, having visited lectures such as Introduction to Pattern Recognition (IntroPR) or Diagnostic Medical Image Processing (DMIP) might prove beneficial.
Please contact us if you have any questions.
- Inhalt:
- The goal of this master project is to build state-of-the-art software
for different advanced topics in computer vision. During the project you
will learn about basic image processing methods, the foundations of
projective geometry, 3D cameras, super-resolution, tracking, feature
detection and classification.
The project is designed to be completed in two parts:
In the first part, the basics of each topic will be developed in a
group. All participants will create basic tools for certain computer
vision applications.
The following topics will be taught and implemented during the first part:
Basic image processing of grayscale and distance images Pinhole camera and projective geometry Stereo vision and RGB-D imaging Super resolution Image retrieval / Image classification
In the second part each participant will implement a method which
belongs to one of the aforementioned topics. We will provide data or
evaluation setups which allow you to test your own implementations.
- Schlagwörter:
- Master Project, Pattern Recognition, Computer Vision
|
| |
Projekt Flat-Panel CT Reconstruction [ProjFCR] -
- Dozentinnen/Dozenten:
- Andreas Maier, Rebecca Fahrig
- Angaben:
- Praktikum, ECTS: 10
- Termine:
- Di, 10:00 - 12:00, 0.01-142
- Studienrichtungen / Studienfächer:
- WPF INF-MA ab 1
WPF MT-MA ab 3
- Inhalt:
- The aim of this master project is to build a state-of-the-art flat-panel CT reconstruction software.
The project is designed in two parts.
In the first part, the basics of CT reconstruction will be
developed in a group.
All participants will
create a basic CT reconstruction pipeline that is able to reconstruct flat-panel CT images.
The following topics will be taught and implemented in this course:
In the second part, the participants will be asked to adopt the designed pipeline individually to specific problems in CT reconstruction:
You will incorporate your work into a fully-fledged CT reconstruction and analysis tool that makes it easy to evaluate the reconstruction algorithms.
At the end of the project, the designed algorithms will be tested on a real scanner at Siemens AX, Forchheim.
- Schlagwörter:
- Master Project, Pattern Recognition, CT Reconstruction
|
| |
Rechnersehen mit Anwendungen in der Augmented Reality sowie beim bildbasierten Rendering 1 [vhblme1] -
- Dozent/in:
- Elmar Nöth
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein
- Termine:
- Zeit/Ort n.V.
- Voraussetzungen / Organisatorisches:
- Die Vorlesung ist der erste Teil einer Online-Lehrveranstaltung. "Online" bedeutet es gibt keine Präsenzveranstaltungen. Lediglich für die Prüfung ist das persönliche Erscheinen notwendig. Die Vermittlung der Lehrinhalte findet über das Internet statt.Im Einzelnen stehen zur Verfügung:
ein PDF-Skript in Form eines ausführlichen Lehrbuchs PDF-Folien mit den wichtigsten Inhalten (ähnlich zu Folien wie sie in konventionellen Vorlesungen eingesetzt werden könnten) die Folien sind mit Audio-Dateien verknüpft, wodurch weitere Informationen mitgeteilt werden dazu Übungs- und Verständnisaufgaben interaktive Programme zur Visualisierung von Sachverhalten aus dem Skript in einer virtuellen Experimentierumgebung
Die Unterlagen sind so konzipiert, dass jeder als Einzelner sich die Inhalte selbst aneignen kann. Dabei können sich aber auch (virtuelle) Lerngruppen bilden.
Für die Kommunikation bei Fragen fachlicher oder technischer Art werden folgende Möglichkeiten angeboten:
Vorkenntnisse:
lineare Algebra Grundlagen aus dem Bereich Bildverarbeitung sind hilfreich, aber nicht notwendig Organisatoriche Voraussetzung: Voraussetzung für die Teilnahme dieses Kurses ist die Anmeldung zu diesem Kurs über die virtuelle Hochschule Bayern (http://www.vhb.org ). Dazu muss man an der vhb immatrikuliert sein. Die Immatrikulation steht allen Studenten bayerischer Hochschulen offen und ist kostenlos. Gerne sind wir dabei unseren Kursteilnehmern behilflich.
Hinweis:
Der Kurs wird nur zusammen mit dem 2. Teil (VHB-Kurs: (vhblme2)) an der FAU mit insg. 5 ECTS im WPF-Bereich Mustererkennung anerkannt.
- Inhalt:
- Ziel des Kurses ist es, den Studenten den Bereich des Rechnersehens (insbesondere 3-D Rekonstruktion) näher zu bringen, wobei vor allem auch auf die Anwendung in praktischen Problemstellungen eingegangen werden soll. Der Schwerpunkt liegt dabei auf der Augmented Reality und dem bildbasierten Rendering.
Kapitel 1 - Grundlagen: Punktmerkmale, Singulärwertzerlegung
Detektion und Verfolgung von Punktmerkmalen in einer Bildsequenz, Einführung der Singulärwertzerlegung als ein wichtiges numerisches Verfahren zur Lösung von Problemen aus dem Rechnersehen.
Kapitel 2 - Kameramodelle und -kalibrierung
Projektionsmodelle von Kameras, intrinsische und extrinsische Kameraparameter sowie deren Kalibrierung mit Hilfe eines Kalibriermusters, Repräsentation von Rotationen im 3-D.
Kapitel 3 - Stereokamerasysteme, Epipolargeometrie
Aufbau eines einfachen Stereokamerasystems, Lösung des Korrespondenzproblems, Epipolargeometrie: Beschreibung des generalisierten Stereosystems, Einführung von Kernmatrix und Fundamentalmatrix, Berechnung der Fundamentalmatrix mit Hilfe des 8-Punkte Algorithmus, Berechnung der Kameraparameter aus der Fundamentalmatrix, Berechnung von Tiefenwerten aus Stereobildern.
Kapitel 4 - Ausreißereliminierung mit RANSAC, Aufnahmegeometrie bei 3 Bildern
Detektion von Ausreißern in den verwendeten Punktkorrespondenzen und stabile Schätzung der Fundamentalmatrix bei verrauschten Daten mit RANSAC, einem Verfahren, das nicht nur auf dieses Anwendungsgebiet beschränkt ist, Einführung des Trifocal Tensors zur Beschreibung der Aufnahmegeometrie von 3 Bildern.
|
| |
Rechnersehen mit Anwendungen in der Augmented Reality sowie beim bildbasierten Rendering 2 [vhblme2] -
- Dozent/in:
- Elmar Nöth
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein
- Termine:
- Zeit/Ort n.V.
- Voraussetzungen / Organisatorisches:
- Die Vorlesung ist der zweite Teil einer Online-Lehrveranstaltung. "Online" bedeutet es gibt keine Präsenzveranstaltungen. Lediglich für die Prüfung ist das persönliche Erscheinen notwendig. Die Vermittlung der Lehrinhalte findet über das Internet statt.Im Einzelnen stehen zur Verfügung:
ein PDF-Skript in Form eines ausführlichen Lehrbuchs PDF-Folien mit den wichtigsten Inhalten (ähnlich zu Folien wie sie in konventionellen Vorlesungen eingesetzt werden könnten) die Folien sind mit Audio-Dateien verknüpft, wodurch weitere Informationen mitgeteilt werden dazu Übungs- und Verständnisaufgaben interaktive Programme zur Visualisierung von Sachverhalten aus dem Skript in einer virtuellen Experimentierumgebung
Die Unterlagen sind so konzipiert, dass jeder als Einzelner sich die Inhalte selbst aneignen kann. Dabei können sich aber auch (virtuelle) Lerngruppen bilden.
Für die Kommunikation bei Fragen fachlicher oder technischer Art werden folgende Möglichkeiten angeboten:
Vorkenntnisse:
lineare Algebra Grundlagen aus dem Bereich Bildverarbeitung sind hilfreich, aber nicht notwendig Organisatoriche Voraussetzung: Voraussetzung für die Teilnahme dieses Kurses ist die Anmeldung zu diesem Kurs über die virtuelle Hochschule Bayern (http://www.vhb.org ). Dazu muss man an der vhb immatrikuliert sein. Die Immatrikulation steht allen Studenten bayerischer Hochschulen offen und ist kostenlos. Gerne sind wir dabei unseren Kursteilnehmern behilflich.
Hinweis:
Der Kurs wird nur zusammen mit dem 1. Teil (VHB-Kurs: (vhblme1)) an der FAU mit insg. 5 ECTS im WPF-Bereich Mustererkennung anerkannt.
- Inhalt:
- Ziel des Kurses ist es den Studenten den Bereich des Rechnersehens (insbesondere 3-D Rekonstruktion) näher zu bringen, wobei vor allem auch auf die Anwendung in praktischen Problemstellungen eingegangen werden soll. Der Schwerpunkt liegt dabei auf der Augmented Reality und dem bildbasierten Rendering.
Kapitel 5 - Struktur aus Bewegung: Faktorisierungsmethoden
Berechung von Struktur und Bewegung (Szenengeometrie und Kamerabewegung) aus Bildfolgen beliebiger Länge bei unkalibrierter Kamera, dazu: Faktorisierungsmethoden bei orthogonaler, paraperspektivischer und perspektivischer Projektion.
Kapitel 6 - Struktur aus Bewegung: Differentielle Methoden
Differentielle Methoden zur Berechnung von Struktur und Bewegung, dazu: Einführung und Berechnung des optischen Flusses.
Kapitel 7 - Bildbasiertes Rendering, Lichtfelder
Kapitel 8 - Augmented Reality
Einführung in die Augmented Reality, Anwendung von Stereo und Struktur-aus-Bewegung Methoden zur realistischen Darstellung rechnergenerierter Objekte in echten Szenen mit Schwerpunkt auf Registrierung der Benutzerposition im Raum, Verdeckungsberechnung sowie Schattenwurf von virtuellen Objekten auf reale Szenen.
|
| |
Seminar Automatische Analyse von Stimm-, Sprech- und Sprachstörungen bei Sprachpathologien [SemSprachPath] -
- Dozentinnen/Dozenten:
- Stefan Steidl, Tino Haderlein, Elmar Nöth
- Angaben:
- Seminar, 4 SWS, ECTS: 5
- Termine:
- Di, 18:00 - 19:30, 02.133-113
Einzeltermin am 10.10.2017, 13:00 - 16:00, 01.134
Der Termin wird in Absprache mit den Teilnehmern festgelegt.
Vorbesprechung: Mittwoch, 26.4.2017, 16:15 - 17:45 Uhr, 01.134
- Studienrichtungen / Studienfächer:
- WPF INF-BA-SEM 3-6
WPF IuK-BA 3-6
WPF MT-BA 5-6
WPF MT-MA ab 1
WF CE-BA-SEM 3-6
- Voraussetzungen / Organisatorisches:
- Themenvergabe und Terminfindung in der ersten Woche des Semesters
Voranmeldung bitte an: steidl@cs.fau.de
Über die Vergabe der Seminarplätze entscheidet die Reihenfolge der
Voranmeldungen.
- Inhalt:
- Dieses Seminar befasst sich damit, wie Diagnose und Therapie von unterschiedlichen Sprachpathologien durch Sprachtechnologie unterstützt werden können.
Die Teilnehmer sollen in einem Vortrag ausgewählte Sprach-, Sprech- und Stimmstörungen vorstellen und entsprechende Technologien aus dem Bereich der Mustererkennung und Sprachverarbeitung aufzeigen.
- Schlagwörter:
- Sprachverarbeitung, Sprachpathologien
|
| |
Seminar Deep Learning Theory & Applications [SemDL] -
- Dozentinnen/Dozenten:
- Andreas Maier, Vincent Christlein, Tobias Würfl, Katharina Breininger, Marc Aubreville
- Angaben:
- Seminar, 4 SWS, benoteter Schein, ECTS: 5, nur Fachstudium
- Termine:
- Mo, 16:00 - 17:30, Übung 4 / 01.253-128
- Studienrichtungen / Studienfächer:
- WPF INF-MA 1
WPF MT-MA-BDV 1
WPF CE-MA-TA-MT 1
- Inhalt:
- Deep Neural Networks or so-called deep learning has attracted significant attention in the recent years. Interestingly the concept of Neural Networks inspired researchers already over generations since Minky's famous book (cf. http://en.wikipedia.org/wiki/Society_of_Mind ). Yet again, this technology brings researchers to the believe that Neural Networks will eventually be able to learn everything (cf. http://www.ted.com/talks/jeremy_howard_the_wonderful_and_terrifying_implications_of_computers_that_can_learn ).
In this seminar, we will investigate the basics of neural networks as already found in Minsky's design and expand on this on the advances to modern deep convolutional neural networks. In addition, we will also investigate open-source deep learning libraries and look into the newest results in literature.
Application (summer term 2017) in StudOn: https://www.studon.fau.de/studon/goto.php?target=crs_1815925
- Empfohlene Literatur:
- Representation Learning: A Review and New Perspectives, Yoshua Bengio, Aaron Courville, Pascal Vincent, Arxiv, 2012.
Deep Learning, Yoshua Bengio, Ian Goodfellow, Aaron Courville, MIT Press Gradient-Based Learning Applied to Document Recognition, Yann Lecun, 1998 Dropout: A Simple Way to Prevent Neural Networks from Overfitting, Srivastava et al. 2014 Greedy layer-wise training of deep networks, Bengio, Yoshua, et al. Advances in neural information processing systems 19 (2007): 153. Reducing the dimensionality of data with neural networks, Hinton et al. Science 313.5786 (2006): 504-507. Training Deep and Recurrent Neural Networks with Hessian-Free Optimization, James Martens and Ilya Sutskever, Neural Networks: Tricks of the Trade, 2012. Deep boltzmann machines, Hinton et al. Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion, Pascal Vincent et al. A fast learning algorithm for deep belief nets, Hinton et al., 2006 ImageNet Classification with Deep Convolutional Neural Networks, Alex Krizhevsky, Ilya Sutskever, Geoffrey E Hinton, NIPS 2012 Regularization of Neural Networks using DropConnect, Wan et al., ICML OverFeat: Integrated recognition, localization and detection using convolutional networks. Computing Research Repository, abs/1312.6229, 2013. http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial http://deeplearning.net/tutorial/ Deep Learning Course on Coursera by Hinton DL platform with GPU support: caffe, lasagne, torch etc.
- Schlagwörter:
- deep learning; neural networks; machine learning; pattern recognition
|
| |
Seminar Medical Applications and Deep Learning [SemMADL] -
- Dozentinnen/Dozenten:
- Andreas Maier, Ludwig Ritschl, Joachim Hornegger
- Angaben:
- Seminar, 4 SWS, ECTS: 5, nur Fachstudium
- Termine:
- Mo, 8:15 - 9:45, KH 1.021
- Studienrichtungen / Studienfächer:
- WPF INF-MA ab 1
WPF MT-MA-BDV ab 1
WPF CE-MA-TA-MT ab 1
- Inhalt:
- Artificial neural networks and the area of deep learning (https://en.wikipedia.org/wiki/Deep_learning) have recently started to attract significant interest in the areas of machine learning and image processing. Different types of artificial neural networks exist, such as deep neural networks, convolutional neural networks and recurrent neural networks. Current research focuses on a wide range of topics, including artificial intelligence, speech and object recognition.
In this seminar, the basics for artificial neural networks will be
investigated with an additional focus on medical applications.
Additionally, students will have the chance to train their own
networks.
- Empfohlene Literatur:
- Representation Learning: A Review and New Perspectives, Yoshua Bengio, Aaron Courville, Pascal Vincent, Arxiv, 2012.
Deep Learning, Yoshua Bengio, Ian Goodfellow, Aaron Courville, MIT Press Gradient-Based Learning Applied to Document Recognition, Yann Lecun, 1998 Dropout: A Simple Way to Prevent Neural Networks from Overfitting, Srivastava et al. 2014 Greedy layer-wise training of deep networks, Bengio, Yoshua, et al. Advances in neural information processing systems 19 (2007): 153. Reducing the dimensionality of data with neural networks, Hinton et al. Science 313.5786 (2006): 504-507. Training Deep and Recurrent Neural Networks with Hessian-Free Optimization, James Martens and Ilya Sutskever, Neural Networks: Tricks of the Trade, 2012. Deep boltzmann machines, Hinton et al. Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion, Pascal Vincent et al. A fast learning algorithm for deep belief nets, Hinton et al., 2006 ImageNet Classification with Deep Convolutional Neural Networks, Alex Krizhevsky, Ilya Sutskever, Geoffrey E Hinton, NIPS 2012 Regularization of Neural Networks using DropConnect, Wan et al., ICML OverFeat: Integrated recognition, localization and detection using convolutional networks. Computing Research Repository, abs/1312.6229, 2013. http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial http://deeplearning.net/tutorial/ Deep Learning Course on Coursera by Hinton DL platform with GPU support: caffe, lasagne, torch etc.
- Schlagwörter:
- deep learning; machine learning; medical applications
|
| |
Seminar Wearable Computing [SemWC] -
- Dozentinnen/Dozenten:
- Björn Eskofier, Markus Zrenner, Peter Blank, Dominik Schuldhaus, Anh Tuan Nguyen, Nils Roth
- Angaben:
- Seminar, 4 SWS, ECTS: 5
- Termine:
- Do, 10:15 - 11:45, 01.134
- Studienrichtungen / Studienfächer:
- WPF INF-BA-SEM 3-4
WF IuK-BA 3-6
WPF MT-BA 5-6
WPF MT-MA ab 1
WF CE-BA-SEM 3-6
WF EEI-BA 3-6
- Voraussetzungen / Organisatorisches:
- Themenvergabe und Terminfindung in der ersten Woche des Semesters.
Anmeldung bis 27.04.2016 unter StudOn (Tech/Inf 5/Wearable Computing Seminar [WCS, SS17]).
Über die Vergabe der Seminarplätze entscheidet die Reihenfolge der Anmeldungen. Danach gibt es eine Warteliste.
Das Seminar steht Studierenden der genannten Studienrichtungen ab dem 3. Bachelorsemester (und aller Mastersemester) ebenfalls offen. Für weitere Studiengänge und ECTS-Verteilungen bitte unter peter.blank@cs.fau.de nachfragen.
- Inhalt:
- Dieses Seminar befasst sich mit der mobilen Analyse von Biosignalen. Der Fokus liegt dabei auf kinematischen und physiologischen Daten die mit körpernahen Sensoren aufgezeichnet werden können. Die im Seminar eingesetzte Inertialsensorik (Gyroskop, Akzelerometer) findet sich z.B. auch in der Nintendo Wii und wird immer populärer. Die im Sensor erfassten Daten werden meist drahtlos (Bluetooth) an einen zentralen Verarbeitungsknoten gesendet und dort ausgewertet. Ein solches Szenario wird als Body Sensor Network (BSN) bezeichnet und besteht in diesem Seminar aus mehreren SHIMMER Sensorknoten und einem Android Smartphone.
Im Medizin- und Sportbereich eröffnet die Miniaturisierung von Sensoren und mobilen Geräten viele Möglichkeiten in der Therapie- und Trainingsunterstützung. Umfang und Qualität von Bewegung kann komfortabel im Alltag und bei Aktivität erfasst werden. Sofortige Rückmeldung, sogenanntes "instant feedback" macht effektiveres Training möglich. Der Vergleich mit anderen Personen über soziale Netzwerke motiviert zu Bewegung und schafft "team spirit". Zudem können Gesundheitsgefahren durch Überwachungsmechanismen minimiert werden. In diesem Seminar werden diese grundlegenden Fragestellungen anwendungsnah adressiert. Viele Anwendungen sind für unsere Industriepartner von aktuellem Interesse!
Jeder Teilnehmer erstellt im Rahmen der Lehrveranstaltung eine Android App aus dem Bereich der Sensordatenanalyse. Wir werden Fragestellungen aus dem Medizin- und Sportbereich vorgeben, diskutieren aber auch gerne eigene Vorschläge hinsichtlich ihrer Machbarkeit mit euch. Für die Umsetzung steht ein Sensornetz inklusive Smartphone zur Verfügung. Wir werden euch die nötigen Software Tools und theoretischen Grundlagen der Android-Programmierung kurz vorstellen, die Entwicklung erfolgt dann in selbstständiger Arbeit. Wir setzten Java-Programmierkenntnisse voraus, Grundlagen in und Interesse an Signalverarbeitung und Mustererkennung sind hilfreich. Am Ende des Seminars stellt jeder Teilnehmer seine Anwendung im Rahmen eines wissenschaftlichen Vortrags den anderen Teilnehmern vor.
- Schlagwörter:
- Mustererkennung, Digital Sports, Wearable Sensors, Android App, Smartwatch, Bewegungsanalyse, IMU Sensors
|
| |
Sprachverstehen [SV] -
- Dozent/in:
- Elmar Nöth
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein, ECTS: 5, nur Fachstudium
- Termine:
- Di, 10:00 - 11:30, 01.151-128
- Studienrichtungen / Studienfächer:
- WPF INF-BA-V-ME 5-6
WPF INF-MA ab 1
- Inhalt:
- Nach Behandlung der grundlegenden Mechanismen menschlicher Spracherzeugung und Sprachwahrnehmung
gibt die Vorlesung eine detaillierte Einführung in (vornehmlich) statistisch orientierte Methoden der
maschinellen Erkennung gesprochener Sprache.
Schwerpunktthemen sind Merkmalgewinnung, Vektorquantisierung,
akustische Sprachmodellierung mit Hilfe von Markovmodellen, linguistische Sprachmodellierung mit Hilfe
stochastischer Grammatiken, prosodische Information
sowie Suchalgorithmen zur Beschleunigung des Dekodiervorgangs.
- Empfohlene Literatur:
- Niemann H.: Klassifikation von Mustern; Springer, Berlin 1983
Niemann H.: Pattern Analysis and Understanding; Springer, Berlin 1990 Schukat-Talamazzini E.G.: Automatische Spracherkennung;
Vieweg, Wiesbaden 1995 Rabiner L.R., Schafer R.: Digital Processing of Speech Signals;
Prentice Hall, New Jersey 1978 Rabiner L.R., Juang B.H.: Fundamentals of Speech Recognition;
Prentice Hall, New Jersey 1993
- Schlagwörter:
- Mustererkennung, Merkmale, HMM, Sprachmodelle, Prosodie, Suchalgorithmen
|
|
 |
|
|
UnivIS ist ein Produkt der Config eG, Buckenhof |
|
|