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.

Vergangene Veranstaltungen

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.

Classification of Aircraft Cabin Configuration Packages using Machine Learning

Sreenath Ottapurakkal Kallada

Fri, 18. 8. 2017, Room 1/336

Aircraft manufacturers are constantly trying to enhance the comfort of the passengers in the cabin. But the tradeoff with increasing the comfort adversely affects the maximum number of passengers an aircraft can carry. This will gradually affect the overall profit for the airlines. Designing a good aircraft cabin requires careful analysis of the various monuments which are placed inside the cabin and their corresponding features. These monuments can range from the crew rest compartment to the galleys where the food is stored. Each of these monuments has exclusive features which can be used as a guiding metric to revise the cabin architecture. These revisions of cabin layouts may occur frequently during the development process where many marketing layouts are pitched to the prospective customers but not all of them make it to the final production line. The A350 program from Airbus is analyzed in this master thesis where the cabin layout data is retrieved from various XML sheets using Python parsers and merged together into a processible format. Various feature selection methods belonging to filter, wrapper and embedded methods are used to analyze the important features of the monuments and cabin layouts. Finally, three tree classifiers (single decision tree classifier, ensemble tree classifier, boosted tree classifier) are fitted on the datasets to classify the cabin layouts and monuments. The performance of the classifiers and the analysis of the relationship between the predictors and the target variable are recorded.

Automating Scientific Work in Optimization

Prof. Dr. Thomas Weise

Fri, 21. 7. 2017, Room 1/336

In the fields of heuristic optimization and machine learning, experimentation is the way to assess the performance of an algorithm setup and the hardness of problems. Good experimentation is complicated. Most algorithms in the domain are anytime algorithms, meaning they can improve their approximation quality over time. This means that one algorithm may initially perform better than another one but converge to worse solutions in the end. Instead of single final results, the whole runtime behavior of algorithms needs to be compared (and runtime may be measured in multiple ways). We do not just want to know which algorithm performs best and which problem is the hardest - a researcher wants to know why. In this paper, we introduce a methodology which can 1) automatically model the progress of algorithm setups on different problem instances based on data collected in experiments, 2) use these models to discover clusters of algorithm (and problem instance) behaviors, and 3) propose reasons why a certain algorithm setup (problem instance) belongs to a certain algorithm (instance) behavior cluster. These high-level conclusions are presented in form of decision trees relating algorithm parameters (instance features) to cluster ids. We emphasize the duality of analyzing algorithm setups and problem instances. Our methodology is implemented as open source software and applied in two case studies. Besides its basic application to raw experimental data, yielding clusters and explanations of quantitative algorithm behavior, our methodology also allows for qualitative conclusions by feeding it with data which is normalized with problem features or algorithm parameters. It can also be applied recursively, e.g., to further investigate the behavior of the algorithms in the cluster with the best-performing setups on the problem instances belonging to the cluster of hardest instances. Both use cases are investigated in the case studies.

Erweiterung der S2000 Sensorplattform für die Verwendung auf einer mobilen Plattform.

Shadi Saleh

Thu, 13. 7. 2017, Room 1/367

Stereo cameras are important sensors to provide good recognition of objects with color perception and very high resolution. It has been used in a wide range of automotive application prototypes, especially in advanced driver assistant system (ADAS). In this thesis, different methods based only on a stereo vision system are proposed, in order to estimate the ego-motion within a dynamic environment and extract information about the moving objects and stationary background. This is realized using Intenta S2000 sensor, a new generation of intelligent cameras that generates 3D point cloud at each time stamp. However, constructing the static objects map and dynamic objects list is a challenging task, since the motion is introduced by a combination between the movement of the camera and objects. The first proposed solution is achieved based on the dense optical flow, which illustrates the possibility of estimation ego-motion, and splitting the moving object from the background. In the second proposed solution, the ego-motion within a dynamic environment is realized using methods for solving a 3D-to-3D point registration problem. The iterative closest point (ICP) method is used to solve this problem by minimizing the geometric differences function between two consecutive 3D point clouds. Then the subtraction between the two aligned clouds is computed where the output result represents the subset of the 3D points from the objects in the environment. The most effective method for estimating the multiple moving and static objects is presented in the third proposed solution. The ego-motion is estimated based on the ICP method and then the post-processed 3D point cloud is projected on a 2D horizontal grid and based on the additional features to each grid cells is possible to distinguish between different grid cells into free, occluded and border. The cells status can be used later to construct the static object map and dynamic object list. Determination of noise regions is an essential step, which can be used later to generate 3D point cloud with low level of noise. This is done depending on the unsupervised segmentation methods.

... older

Presseartikel