Navigation

Inhalt Hotkeys

Forschungsseminar

Forschungsseminar

Das Forschungsseminar ist eine Veranstaltung, die sich an interessierte Studenten des Hauptstudiums richtet (bzw. Master oder höheres Semester Bachelor). Andere Interessenten sind jedoch jederzeit herzlich willkommen! Die vortragenden Studenten und Mitarbeiter der Professur KI stellen aktuelle forschungsorientierte Themen vor. Vorträge werden in der Regel in Englisch gehalten. Das Seminar findet unregelmäßig im Raum 336 statt. Den genauen Termin einzelner Veranstaltungen entnehmen Sie bitte den Ankündigungen auf dieser Seite.

Informationen für Diplom- und Masterstudenten

Die im Studium enthaltenen Seminarvorträge (das "Hauptseminar" im Studiengang Diplom-IF/AIF bzw. das "Forschungsseminar" im Master) können ebenso im Rahmen dieser Veranstaltung durchgeführt werden. Beide Lehrveranstaltungen (Diplom-Hauptseminar und Master-Forschungsseminar) haben das Ziel, dass die Teilnehmer selbststängig forschungsrelevantes Wissen erarbeiten und es anschließend im Rahmen eines Vortrages präsentieren. Thematisch behandeln die Seminare das Gebiet der Künstlichen Intelligenz, wobei der Schwerpunkt auf Objekterkennung, Neurocomputing auf Grafikkarten und Multi-Core Rechnern, Reinforcement Lernen, sowie intelligente Agenten in Virtueller Realität liegt. Andere Themenvorschläge sind aber ebenso herzlich willkommen!
Das Seminar wird nach individueller Absprache durchgeführt. Interessierte Studenten können unverbindlich Prof. Hamker kontaktieren, wenn sie wenn sie ein Interesse haben, bei uns eine der beiden Seminarveranstaltungen abzulegen.

Kommende Veranstaltungen

Knowledge Extraction from Heterogeneous Measurement Data for Datasets Retrieval

Gharbi Ala Eddine

Mon, 30. 4. 2018, 11:30, Room 1/367

Due to the exponential increase of data amount produced on daily basis, innovative solutions are developed to tackle the problem of properly managing and organizing it with crisp and recent technologies such as Artificial Intelligence (AI) frameworks and Big Data Management(BDM) tools. The need for such solutions rises from the fact that our everyday interconnections soars towards pure digitalization. Therefore, leading Information Technology companies strive to come up with ideas to handle this bulky amount of data in the most efficient and concise way. The challenge faced with this huge data amount is not only to properly organize it but rather to make use of it. That is deriving knowledge from unstructured data is as important as structuring it in an effective way. Throughout this thesis, knowledge derivation techniques are applied on the available data in IAV GmbH. Data can be described as data files used to test the implemented software components and hence the importance of its proper organization. This Master thesis investigates and develops a prototypical solution for the organization of data sets as well a concept implementation for additional information extraction from data files. Different problems and solutions related to Knowledge Discovery (KD) and data organization are presented and discussed in details. Furthermore, an overview of the frameworks and algorithms used Data Minig (DM) is given as well.

A Framework for Adaptive Sensory-motor Coordination of a Humanoid-Robot

Karim Ahmed

Wed, 2. 5. 2018, 11:30, Room 1/131

This project was done over the research area of sensory-motor coordination on humanoid robots and the ability to generate the coordination for new motor skills. The goal is to modulate the sensory motor connections that generate independently the same motor coordination demonstrated using the Central Pattern Generator (CPG). We propose two neural networks, one network for extracting the coordination features of a robot limb moving by the CPG. And the other network for creating a similar coordinated movement on the other limb moving by simple sensory-motor connections (without the CPG). Thanks to the proposed model, different coordination behaviors were presented at the sensory-motor level. A coordinated rhythmic movement generated by the CPG in the first stage can be demonstrated only by a simple sensory motor network (a reflexive controller) in the next stage where no CPG network is involved.

Erforschung der Rolle von Aufmerksamkeit in rekurrenten Modellen von deep reinforcement learning

Danny Hofmann

Wed, 9. 5. 2018, 11:30, Room 1/131

TBA

Vergangene Veranstaltungen

Gait Transition between Simple and Complex Locomotion in Humanoid Robots

Sidhdharthkumar Vaghani

Mon, 23. 4. 2018, Room 1/367

This project presents the gait transition between the rhythmic and the non-rhythmic behavior during walking of a humanoid robot Nao. In biological studies, two kinds of locomotion behaviors were observed during cat walking on a flat terrain and walking on a ladder (simple and complex locomotion). In this work, both locomotion behaviors were produced on the robot using the multi-layers multi-patterns central pattern generator model (Nassour et al.). We generate the rhythmic behavior from the non-rhythmic one based on the frequency of interaction between the robot feet and the ground surface during the complex locomotion. While complex locomotion requires a sequence of descending control signals to drive each robot step, simple locomotion requires only a triggering signal to generate the periodic movement. The overall system behavior fits with the biological finding in cat locomotion (Marlinski et al.).

On the role of cortex-basal ganglia interactions for category learning: A neuro-computational approach

Francesc Villagrasa Escudero

Mon, 16. 4. 2018, Room 1/367a

Both the basal ganglia (BG) and the prefrontal cortex (PFC) are involved in category learning. However, their interaction in category learning remains unclear. A recent theory proposes that the basal ganglia, via the thalamus, slowly teach the PFC to acquire category representations. To further study this theory, we propose here a novel neuro-computational model of category learning which performs a category learning task (carried out by monkeys in the past to also study this theory). By reproducing key physiological data of this experiment, our simulations show evidence that further support the hypotheses held by the theory. Interestingly, we show that the fast learner (BG) with a performance of 80% correctly teaches a slow learner (PFC) up to 100% performance. Furthermore, new hypotheses obtained from our model have been confirmed by analyzing previous experimental data.

Verbesserung eines Aufmerksamkeitsmodells mit Deep Learning und Data Augmentation

Philip Hannemann

Thu, 22. 3. 2018, Room 1/309

Das von Frederik Beuth und Fred H. Hamker entwickelte Aufmerksamkeitsmodell wurde unter Nutzung des Coil Datensatzes getestet und Verbesserungen implementiert. Durch Anpassungen des im Aufmerksamkeitsmodell integrierten CNN und Optimierung der Struktur der verwendeten Layer, wurde es möglich, die bisherige Erkennungsrate auf Basis eines realitätsnahen Hintergrundes von 42% auf 60% zu erhöhen. Neben diesen CNN Modifikationen bestand ein weiterer Schwerpunkt der Arbeit in der Vereinfachung der eingesetzten Datenbank und mehrfach wiederholten Test- und Anlernvorgängen unter Nutzung der Methodik des Deep Learning. Der im Coil Datensatz enthaltene Hintergrund der Coil Bilder wurden hierfür testweise entfernt und die Coil Objekte wurden mit unterschiedlichen Hintergründen für den Lernprozess verwendet.

Untersuchung der Auswirkungen von Feedback in einem Modell zur Ziffererkennung

Miriam Müller

Wed, 14. 3. 2018, Room 1/368

Der überwiegende Teil des Informationsflusses im Gehirn erfolgt über rekurrente Verbindungen. Um die Auswirkungen von Rückwärtsverbindungen in einem künstlichen neuronalen Netzwerk zu untersuchen, wurden einem Modell zur Ziffererkennung diese Verbindungen in einem zwei- und dreischichtigen Modell hinzugefügt. Die dritte Schicht ist dabei kategoriespezifisch. Der unüberwachte Lernalgorithmus wurde zusätzlich durch einen externen Aufmerksamkeitseinfluss ergänzt. Diese Veränderungen werden mit dem ursprünglichen zweischichtigem Feedforward-Modell verglichen. Weiterhin werden in diesem Vortrag die Auswirkungen der Feedbackverbindungen auf ein zwei- und dreischichtiges Modell vorgestellt.

Continuous Deep Q-Learning with Model-based Acceleration

Oliver Lange

Tue, 20. 2. 2018, Room 1/273

Model-free reinforcement learning has been successfully applied to a range of challenging problems and has recently been extended to handle large neuronal network policies and value functions. However, the sample complexity of model-free algorithms tends to limit their applicability to physical systems. To reduce sample complexity of deep reinforcement learning for continuous control tasks a continuous variant of the Q-learning algorithms was introduced. This talk will be about the algorithm called normalized advantage functions (NAF) and the incorporation of a learned model to accelerate model-free reinforcement learning.

Inhibition and loss of information in unsupervised feature extraction

Arash Kermani

Wed, 14. 2. 2018, Room 1/273

In this talk inhibition as a means for inducing competition in unsupervised learning will be discussed. The focus will be on the role of inhibition in overcoming the loss of information and the loss of information caused by inhibition itself. A learning mechanism for learning inhibitory weights will be introduced and a hypothesis for explaining the function of VIP dis-inhibitory cells in the brain will be proposed.

Development of a Self-Organizing Model of the Lateral Intraparietal Cortex

Alex Schwarz

Tue, 30. 1. 2018, Room 1/336

Visual perception of objects in space depends on a stable representation of the world. Such a robust world centered depiction would be disrupted with every eye movement. The Lateral Intraparietal Cortex (LIP) in the human brain has been suggested to solve this problem by combining the retino-centric representations of objects from the visual input with proprioceptive information (PC) and corollary discharge signals (CD). Thereby it enables a steady positioning of objects in a head-centered frame of reference. Bergelt and Hamker (2016) had build a model of the LIP that included four-dimensional maps of the LIP. In this master thesis a modification of this model is presented introducing hebbian and anti-hebbian learning to achieve a connection pattern that shows a similar behavior without the necessity of a fixed predefined weighting pattern. Thereby a reduction of dimensions is possible, as well as a higher biological plausibility. The model shows the influence of both signals, PC and CD, on the representation of stimuli over the time of a saccade.

Using Recurrent Neural Networks for Macroeconomic Forecasting

Thomas Oechsle

Mon, 29. 1. 2018, Room 1/367a

Despite the widespread application of Recurrent Neural Networks (RNNs) in various fields such as speech recognition, stock market prediction and handwriting recognition, they have so far played virtually no role in the field of macroeconomic forecasting (i.e. in the prediction of variables such as GDP, inflation or unemployment). At the moment, not a single central bank in the world uses RNNs for macroeconomic forecasts. The purpose of the talk is to highlight the potential of RNNs in improving macroeconomic forecasting. First, the history of and current knowledge on RNNs are reviewed. Then, the performance of RNNs in forecasting US GDP figures is described and compared to that of the Survey of Professional Forecasters (SPF).

Implementation und Evaluation eines Place-Cell Modells zur Selbstlokalisation in einer Robotik Umgebung

Toni Freitag

Mon, 22. 1. 2018, Room 1/205

Die Orientierung im Raum stellt für Lebewesen und mobile Roboter eine essentielle Funktion dar. Die Lebewesen nutzen dazu Geschwindigkeit und Richtung ihrer Bewegung. Samu et al. (2009) stellten ein Modell eines neuronalen Netzes vor, um die Orientierung im Raum zu verbessern. Dazu wurden bei Ratten erforschte Rasterzellen (engl. grid cells) und Ortszellen (engl. place cells) verwendet. Wird sich dieses Modell auch in einer realen Umgebung beweisen? Es wurde das neuronale Netz in einer realen Umgebung trainiert. In einer anschließenden Testfahrt wurde versucht, die aktuelle Position des mobilen Roboters in der Arena zu bestimmen. In diesem Vortrag werden das zugrundeliegende Modell und die verschiedenen Varianten der Positionsbestimmung vorgestellt.

Inhibition and loss of information in unsupervised feature extraction

Arash Kermani

Wed, 17. 1. 2018, Room 1/367a

In this talk inhibition as a means for inducing competition in unsupervised learning will be discussed. The focus will be on the role of inhibition in overcoming the loss of information and the loss of information caused by inhibition itself. A learning mechanism for learning inhibitory weights will be introduced and a hypothesis for explaining the function of VIP dis-inhibitory cells in the brain will be proposed.

The connections within the visual cortex including the Pulvinar

Michael Göthel

Wed, 20. 12. 2017, Room 1/367a

How are the regions in the brain are connected to each other? This question was examined in the past a lot by different scientists to figure out how the information are transmitted between the areas V1 and V2. This Presentation will summarize some of them to generate a model which covers all layers in V1, V2 and includes the pulvinar.

Neuro-computational model for spatial updating of attention during eye movements

Julia Bergelt

Mon, 27. 11. 2017, Room 1/367a

During natural vision, scene perception depends on accurate targeting of attention, anticipation of the physical consequences of motor actions, and the ability to continuously integrate visual inputs with stored representations. For example, when there is an impending eye movement, the visual system anticipates where the target will be next and, for this, attention updates to the new location. Recently, two different types of perisaccadic spatial attention shifts were discovered. One study shows that attention lingers after saccade at the (irrelevant) retinotopic position, that is, the focus of attention shifts with the eyes and updates not before the eyes land to its original position. Another study shows that shortly before saccade onset, spatial attention is remapped to a position opposite to the saccade direction, thus, anticipating the eye movement. In this presentation, it will be shown how a published computational model for perisaccadic space perception accounting for several other visual phenomena can be used to explain the two different types of spatial updating of attention.

Decorrelation and sparsification by homeostatic inhibitory plasticity in cooperation with voltage-based triplet STDP for receptive field formation

René Larisch

Mon, 20. 11. 2017, Room 1/367a

In the past years, many models to learn V1 simple-cells from natural scene input which use spike-timing dependent plasticity have been published. However, these models have several limitations as they rely on theoretical approaches about the characteristics of the V1 simple-cells instead of biologically plausible neuronal mechanisms. We implemented a spiking neural network with excitatory and recurrently connected inhibitory neurons, receiving inputs from Poisson neurons. For excitatory synapses we use a phenomenologically voltage-based triplet STDP rule, from Clopath et al. (2010). The inhibitory synapses are learned with a symmetric inhibitory STDP rule, from Vogels et al. (2011), inspired by observations of the auditory cortex. We show that the cooperation of both phenomenological motivated learning rules leads to the emergence of a huge variety of known neuron properties. We focus on the role of inhibition on these neuron properties. To evaluate how inhibition influences the learning behavior, we compare model implementations without inhibition and with different levels of inhibition. Moreover, to separate the impact on neuronal activity from the impact on the learned weights, we deactivated inhibition after learning. We found that stronger inhibition sharpened the neuron tuning curves and decorrelated neuronal activities. Furthermore, we see that inhibition can improve the input encoding quality and coding efficiency.

Automatische Landmarken-Identifizierung aus einer hoch genauen 3D-Puntkwolke für die Selbstlokalisierung autonomer Fahrzeuge unter Anwendung eines biologisch inspirierten Algorithmus

Sebastian Adams

Mon, 6. 11. 2017, Room 1/367a

Autonomes Valet-Parken ist ein aktueller Bereich der Forschung in Richtung des autonomen Automobils. Eine präzise Selbstlokalisierung stellt in Parkhäusern eine Herausforderung dar, da oft kein GPS verfügbar und die Umgebung sowohl monoton, als auch sehr dynamisch ist. Menschen können sich im Parkhaus erfolgreich orientieren. Dazu nutzen sie unter Anderen auch die Möglichkeit der Orientierung über prägnante Punkte oder Objekte als sogenannte Landmarken. Diese Landmarken sollen nun in einer hoch genauen Punktwolke identifiziert werden, um später durch autonome Automobile bei einer Fahrt durch das Parkhaus zur Eigenlokalisierung genutzt zu werden. Eine Punktwolke ist das Ergebnis mehrerer Messungen mit einem Laserscanner. Die resultierenden Punkte werden durch ihre x,y und z Komponente im Raum sowie Intensitätswerte beschrieben. Ein Vorteil der Nutzung von Punktwolken zur Landmarken-Identifizierung ist die genaue 3D Repräsentation der identifizierten prägnanten Objekte. Um Landmarken zu identifizieren wurden zwei biologisch inspirierte Algorithmen verwendet. Das Biological Model of Multiscale Keypoint Detection (Terzic et al., 2015) nutzt nachempfundene Zellen der im visuellen Kortex angesiedelten Neurone und verbessert so die Erkennungsleistung sowie die Robustheit von Keypoints. Als zweiter Algorithmus wurde das Saliency Attentive Model (Cornia et al., 2016) genutzt, ein neuronales Netz, das die Wahrscheinlichkeit vorhersagt, auf welche Regionen in einem Bild Menschen ihre Aufmerksamkeit richten würden. Im Anschluss wurde die Einzigartigkeit der salienten Punkte validiert und evaluiert, ob die Anzahl der identifizierten Landmarken theoretisch für eine erfolgreiche Selbstlokalisierung ausreicht.

... older

Presseartikel