Lehrstuhl Visual Computing
Die Visual Computing Gruppe beschäftigt sich mit maschinellem Sehen und Lernen. Ein Schwerpunkt liegt auf der automatischen Entwicklung von Neuronalen Netzen. Dabei wollen wir herausfinden, wie solche Netze effizienter werden können und robust gegenüber Störungen in Bildern bleiben. Außerdem erforschen wir neue Ansätze, um besser zu verstehen, wie Neuronale Netze Entscheidungen treffen – und wie man diese näher an die menschliche Entscheidungsfindung bringen kann.
Unser Forschungsprofil
Entwicklung effizienter Ansätze für maschinelles Lernen für verschiedene Aufgaben im Bereich Computer Vision.
Die Forschung unserer Gruppe fokussiert sich auf Methoden maschinellen Lernens und Computer Vision mit Schwerpunkt:
-
Effiziente Suche nach neuronalen Architekturen
Wir konzentrieren uns auf die Weiterentwicklung des automatisierten Designs und der Optimierung neuronaler Netze, um manuelle Trial-and-Error-Verfahren durch effiziente Suchstrategien zu reduzieren. Unsere Gruppe entwickelt Beschleunigungsmethoden – häufig unter Verwendung prädiktiver Modelle –, um umfangreiche Suchräume zu erkunden und kostspielige Evaluierungen zu minimieren, wodurch der Weg zu leistungsstarken Architekturen optimiert wird.
-
Parametergenerierung und Transferlernen
Unsere Forschung erweitert das Transferlernen über traditionelle vortrainierte Gewichte hinaus hin zur Generierung von Netzwerkparametern aus gelernten Verteilungen und der Nutzung großer Sprachmodelle. Wir wollen die Effizienz und Anpassungsfähigkeit neuronaler Netze für verschiedene Domänen verbessern und dabei die Parameteranzahl und Ressourcenbeschränkungen sorgfältig berücksichtigen.
-
Verbesserung der Robustheit neuronaler Netze
Ein wichtiger Aspekt unserer Forschung ist die Verbesserung der Robustheit neuronaler Netze gegenüber Bildrauschen und anderen Störungen, die zu falschen Vorhersagen führen können. Wir untersuchen Strategien wie die Betonung der Objekterkennung und die Steuerung von Frequenzverzerrungen in Netzwerkgewichten, um Schwachstellen zu reduzieren und die Zuverlässigkeit der Modelle zu stärken.
Forschungsschwerpunkte
- Automatisiertes Design neuronaler Architekturen
- Robustheit von Deep-Learning-Modellen
- Objekt-Reidentifizierung
- Effizienz von Neuronalen Netzen
- Gemeinsame Hardware-Software-Optimierung (Learning2Sense)
- Lernen und Generieren von Gewichten
Lehrveranstaltungen
Lehre
Wir bieten folgende Kurse an:
- Automated Machine Learning (Sommersemester)
- Digitale Bildverarbeitung (Sommersemester)
- Praktikum Deep Learning (Wintersemester)
- Unsupervised Deep Learning (Wintersemester)
Master- und Bachelor-Arbeiten
Wenn Sie daran interessiert sind, eine Bachelor-, Masterarbeit oder Projektgruppe bei uns zu schreiben, können Sie sich gerne an uns wenden. Die folgende Liste enthält nur einen kleinen Ausschnitt der Themen, die derzeit von unserer Gruppe angeboten werden. Weitere Themen und zusätzliche Informationen erhalten Sie bei uns. Ihre eigenen Ideen und Interessen sind ebenfalls willkommen. Beachten Sie, wir betreuen keine externen Arbeiten, die eine Einwilligung in eine Verschwiegenheitserklärung erfordern.
- Alexander Auras:
- NAS für Inverse Probleme
- Penelope Natusch:
- Robustheits-Vorhersagen
- Objekt Re-Identifikation
Publikationen
Can we talk models into seeing the world differently?
Can we talk models into seeing the world differently?
Transferrable Surrogates in Expressive Neural Architecture Search Spaces
Transferrable Surrogates in Expressive Neural Architecture Search Spaces
An Evaluation of Zero-Cost Proxies - from Neural Architecture Performance Prediction to Model Robustness
An Evaluation of Zero-Cost Proxies - from Neural Architecture Performance Prediction to Model Robustness
Implicit Representations for Constrained Image Segmentation
Implicit Representations for Constrained Image Segmentation
Surprisingly Strong Performance Prediction with Neural Graph Features
Surprisingly Strong Performance Prediction with Neural Graph Features
An Evaluation of Zero-Cost Proxies - From Neural Architecture Performance Prediction to Model Robustness
An Evaluation of Zero-Cost Proxies - From Neural Architecture Performance Prediction to Model Robustness
Neural Architecture Design and Robustness: A Dataset
Neural Architecture Design and Robustness: A Dataset
Improving Native CNN Robustness with Filter Frequency Regularization
Improving Native CNN Robustness with Filter Frequency Regularization
Learning Where to Look – Generative NAS is Surprisingly Efficient
Learning Where to Look – Generative NAS is Surprisingly Efficient
Surrogate NAS Benchmarks: Going Beyond the Limited Search Spaces of Tabular NAS Benchmarks
Surrogate NAS Benchmarks: Going Beyond the Limited Search Spaces of Tabular NAS Benchmarks
Smooth Variational Graph Embeddings for Efficient Neural Architecture Search
Smooth Variational Graph Embeddings for Efficient Neural Architecture Search
Neural Architecture Performance Prediction Using Graph Neural Networks
Neural Architecture Performance Prediction Using Graph Neural Networks
Aktuelle Forschungprojekte
KIWI@SIWI
KIWI@SIWI ist ein Projekt welches sich mit der Erkennung von Wisent durch KI Technologie beschäftigt. Ziel ist es mit der Technologie die Tiere besser zu erkennen und damit das Herdenmanagement zu unterstützen. Das Projekt wird durch die Universität Siegen und der NanoGiant GmbH durchgeführt. Es hat eine Förderung durch die Förderlinie NEXT.IN.NRW erhalten.
Kontakt zur Arbeitsgruppe
Postadresse
Universität Siegen
Visual Computing Group
Hölderlinstraße 3
57076 Siegen
Besucheradresse
Universität Siegen
Visual Computing Group
H-A Ebene 7
Raum: H-A 7107
57076 Siegen
Weitere Informationen
Sekretärin: Sarah Wagener
Telefon: +49 (0)271 / 740-3315
Raum: H-A 7107
E-Mail: sarah-chr.wagener@uni-siegen.de