Veranstaltungen

  •  WS 2017/2018 

    PROJEKTSEMINAR: Towards smart 3d printing

    Additive Fertigungstechniken wie Fused Decomposition Modelling (FDM) sind eine der Zukunftstechnologien mit enormen Auswirkungen auf Industrie, Medizin, Forschung, Design. Beispielsweise wird gegenwärtig die Dentalindustrie durch 3D-Druckprothesen revolutioniert.  Leider sind heutige 3D-Drucker jedoch sehr fehleranfällig, das Drucken ist sehr langsam (Stunden bis Tage) und erfordert eine manuelle Überwachung. Langfristiges Ziel ist es daher, einen FDM-Drucker mit Sensoren und einem "Gehirn" ausstatten, um die internen Zustände zu "erfassen", während wir den Einsatz von maschinellem Lernen in diesem Kontext untersuchen möchten.

    Ziel des Projektseminars ist es, einen Slicer zu implementieren welcher sowohl die 3D Objektdateien in Druckbefehle (G-Code) überführt sowie eine Visualisierung des Druckprozesses ermöglicht. Insbesondere sollen reale Druckergebnisse mit den simulierten Daten verglichen werden um eine automatische Qualitätskontrolle und Fehlererkennung zu ermöglichen.

    VORLESUNG COMPUTER VISION

    Computer Vision entwickelt theoretische und algorithmische Grundlagen, um automatisch visuelle Informationen im Rechner zu verarbeiten, zu analysieren und zu interpretieren. Im Zentrum der Untersuchungen steht die Frage, welche Rückschlüsse man aus Bildern über die abgebildete Welt ziehen kann. In dieser Vorlesung werden grundlegende Begriffe um Verfahren von Computer Vision vorgestellt. Unter anderem werden folgende Themen behandelt:

    • Kantendetektion
    • Interest Points
    • Konturdetektion
    • Bildsegmentierung
    • Texturanalyse
    • Bewegungsanalyse
    • Objekterkennung
    • Tracking von Objekten
    • Kamerakalibrierung
    • 3D Computer Vision

  •  SS 2018

    Projektseminar: Barista for Deep Learning-based Bug Tracking

    Deep Learning Projektseminar

    Mustererkennung

    Inhalte dieser Vorlesung sind Konzepte und Algorithmen zur Beschreibung und Interpretation von Mustern. Als Schwerpunkt werden Verfahren der statistischen Mustererkennung behandelt. Zusätzlich dazu sollen auch Verfahren aus der strukturellen Musterkennung vorgestellt werden. Zum Vorlesungsinhalt gehören: Klassifikation mit Distanzfunktionen, lineare und nicht lineare Klassifikation, Bayes Klassifikator, Entscheidungsbäume, Support Vector Machines, neuronale Netze, Hidden Markov Models, Ensemble Methoden, Merkmale, Performance Evaluation, und Clustering. Ferner wird auch schwerpunktmäßig auf die neuesten Entwicklungen wie Deep Learning eingegangen. Mustererkennung ist eng mit Maschinellem Learnen verwandt. Mithilfe von Lernverfahren werden Modelle anhand von Trainingsdaten gelernt, die zur Mustererkennung verwendet werden. Im Fokus der Vorlesung steht die Behandlung der verschiedenen Klassifikationsmodelle und der zugehörigen Lernmethoden. Als Anwendungsbeispiele werden in der Vorlesung primär Fragestellungen aus der Bildverarbeitung behandelt.

    In der Vorlesung sind Übungen integriert.

  • WS 2017/2018 

    VORLESUNG COMPUTER VISION

    Computer Vision entwickelt theoretische und algorithmische Grundlagen, um automatisch visuelle Informationen im Rechner zu verarbeiten, zu analysieren und zu interpretieren. Im Zentrum der Untersuchungen steht die Frage, welche Rückschlüsse man aus Bildern über die abgebildete Welt ziehen kann. In dieser Vorlesung werden grundlegende Begriffe um Verfahren von Computer Vision vorgestellt. Unter anderem werden folgende Themen behandelt:

    • Kantendetektion
    • Interest Points
    • Konturdetektion
    • Bildsegmentierung
    • Texturanalyse
    • Bewegungsanalyse
    • Objekterkennung
    • Tracking von Objekten
    • Kamerakalibrierung
    • 3D Computer Vision

    Des Weiteren soll auf die Anwendung der modernen statistischen Entscheidungstheorien einschließlich Deep Learning eingegangen werden. In der Vorlesung wird angestrebt, die Besucher mit der aktuellen Forschung vertraut zu machen.