Inhalt Hotkeys



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

Continuous Deep Q-Learning with Model-based Acceleration

Oliver Lange

Tue, 20. 2. 2018, 11:00, 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.

Vergangene Veranstaltungen

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.

Anpassung eines Neuronenmodells für visuelle Wahrnehmung an neue physiologische Daten gemessen an Affen

Vincent Marian Plikat

Wed, 27. 9. 2017, Room 1/367

A. Ziesche und F.H. Hamker haben 2011 ein biologisch motiviertes Neuronenmodell für visuelle Wahrnehmung entwickelt. Dieses Modell siedelt die Wahrnehmung in der Lateral Intraparietal Area (LIP) an. Es ist erfolgreich in der Modellierung des Saccadic Surpression of Displacement Experiments (SSD), sowohl in Verbindung mit Blanking und Masking. Dieses Modell wird jedoch von neuen physiologischen Befunden, gemessen an Affen, herausgefordert (Xu et al, 2012). Affen verhalten sich jedoch im SSD Experiment nicht exakt wie Menschen. Bei ihnen ist kein Effekt im Blanking zu finden (Joiner et al, 2013). Meine Arbeit befasst sich damit das Modell an die neuen physiologischen Daten anzupassen und Varianten zu finden, die die Unterschiede zwischen Menschen und Affen erklären können.

Veränderung der Wahrscheinlichkeiten von explorierten Aktionen durch die Plastizität der STN - GPe Verbindung

Oliver Maith

Mon, 4. 9. 2017, Room 1/336

Viele Theorien und Modelle der Basalganglien haben gezeigt, dass dieses System mittels Aktivität verschiedener Wege (indirekt, direkt, hyperdirekt) zwischen Cortex und Thalamus belohnte Aktionen anregen und andere hemmen kann. Die Funktion der Verbindung zwischen dem Nucleus subthalamicus (STN) und dem externalen Globus pallidus (GPe) ist in diesem Zusammenhang noch relativ unklar. In einer Vorgängerstudie wurde mittels eines Basalganglien Computermodels gezeigt, dass die Verbindung zwischen STN und GPe dafür sorgen kann, dass bestimmte alternative Aktionen während einer Explorationsphase bevorzugt werden. Es kommt somit nicht zu einem zufälligen Ausprobieren aller möglichen Aktionen. Die Funktion der Verbindung zwischen STN und GPe könnte somit sein, zu lernen, welche Aktionen in einer Situation schon einmal erfolgreich waren und welche nicht. Während einer Exploration würden dann die erfolgversprechenderen Aktionen bevorzugt werden. Wie dies mittels der Implementation einer Lernregel zwischen STN und GPe realisiert wurde und wie hierfür zunächst das Basalganglienmodel der Vorgängerstudie angepasst werden musste, werden Schwerpunkte der Präsentation sein.

... older


  • Neurologisch vernetzt

    Das Smart Start-Programm ermöglicht Masterstudenten ab September einen Einblick in Labore in ganz Deutschland – Auch TU-Student Alex Schwarz profitiert davon …

  • Wissbegierige Schüler weiter auf Erfolgskurs

    Zwei von der TU betreute Gymnasiasten errangen am 29. März 2014 Fachgebietssiege beim sächsischen Landeswettbewerb "Jugend forscht" und lösten damit ihre Fahrkarten zum Bundesfinale …

  • Wo Computer menschliche Gefühle beachten

    Um den Flugverkehr noch sicherer zu machen, wird am Kompetenzzentrum „Virtual Humans“ der TU Chemnitz die Arbeitsweise und emotionale Belastung von Fluglotsinnen und Fluglotsen erforscht …