Seminar Vorbesprechung Intelligente Systeme, Sommersemester 2014

Transkript

1 Seminar Vorbesprechung Intelligente Systeme, Sommersemester 2014 Betreut von: Prof. Dr. Pauli Dipl.-Inf. Bürger Dipl.-Inform. Herwig Dipl.-Inform. Hoefinghoff Dipl.-Ing. Morariu Seminar Intelligente Systeme

2 Künstliche Intelligenz

3 Lernen durch Belohnung/Bestrafung Mit welchen Methoden wird menschliches Lernen untersucht? Wie verarbeitet das Gehirn Belohnungen/Bestrafungen? Wie werden Modelle für die KI abgeleitet?

4 Lernen durch Belohnung/Bestrafung Literatur: Oshin Vartanian, David R. Mandel: Neuroscience of Decision Making; Psychology Press 2011(Section 3) Paul W. Glimcher et al.:neuroeconomics: Decision Making and the Brain: Elsevier 2009 (Part IV und Part V) Weitere Literatur muss den jeweiligen Büchern entnommen werden und durch weitere Recherche ermittelt werden!

5 Modellierung von individuellen Entscheidungen Können allgemeingültige Gemeinsamkeiten gefunden werden? Warum entscheiden sich Menschen in gleichen Situation unterschiedlich? Wie kann das Verhalten von Individuen modelliert werden?

6 Modellierung von individuellen Entscheidungen Literatur: Lee I. Newmann et al.: Revealing Individual Differences in the Iowa Gambling Task. Proceedings of the 30th Annual Conference of the Cognitive Science Society, Washington, DC, 2008 Amir K. Dezfuli et al.; Understanding Addictive Behavior on the Iowa Gambling Task Using Reinforcement Learning Framework. Proceedings of the 30th Annual Conference of the Cognitive Science Society, Washington, DC, 2008 Weitere Literatur muss den jeweiligen Literaturlisten entnommen werden und durch weitere Recherche ermittelt werden!

7 Bildverarbeitung und Machine Learning

8 Wie funktioniert die Objekterkennung im Gehirn? Wie kann das Gehirn mühelos invariante Objekterkennung erreichen? Invarianz: Translation, Skalierung, Drehung, Beleuchtung, visueller Kontext Verarbeitung hochdimensionaler Signale/Daten Objekterkennung Joe Gehirn Joe Jim Jim

9 Wie funktioniert die Objekterkennung im Gehirn? Methodenschwerpunkte: Neuronale Netze, bildbasierte Objekterkennung Literatur: DiCarlo, James J., and David D. Cox. "Untangling invariant object recognition." Trends in cognitive sciences 11.8 (2007): DiCarlo, James J., Davide Zoccolan, and Nicole C. Rust. "How does the brain solve visual object recognition?" Neuron 73.3 (2012): Vortrag: James DiCarlo, How the brain solves visual object recognition, ICCV 2011, Video: Weitere Literatur ist in den Artikeln zu finden oder selbst zu suchen (z.b. scholar.google.de)

10 Dimensionsreduktion mit Manifold Learning Problem: hochdimensionale Merkmalsvektorräume Fluch der Dimensionalität Lösung: Lernen von niedrigdimensionalen geometrischen Zusammenhängen (Manifolds) Local Linear Embedding, ISOMAP, Deep Auto Encoder, Kernel-PCA, Laplacian Eigenmaps, Manifold Charting,... Deep Auto Encoder ISOMAP

11 Dimensionsreduktion mit Manifold Learning Methodenschwerpunkte: Maschinelles Lernen, Geometrie, Graph-Algorithmen, Neuronale Netzwerke Literatur: Ma, Yunqian, and Yun Fu, eds. Manifold Learning Theory and Applications. CRC Press, (E-Book in der Bibliothek) van der Maaten, L. J., Postma, E. O., & van den Herik, H. J. (2009). Dimensionality reduction: A comparative review. Journal of Machine Learning Research, 10(1-41), Lin, Tong, and Hongbin Zha. "Riemannian manifold learning." Pattern Analysis and Machine Intelligence, IEEE Transactions on 30.5 (2008): van der Maaten, L. J., Matlab Toolbox for Dimensionality Reduction, n.html Weitere Literatur ist in den Artikeln zu finden oder selbst zu suchen (z.b. scholar.google.de) Hinweis: 1-2 Bearbeiter möglich

12 Deep Learning Convolutional Neural Networks Aktueller Forschungstrend verschiedene Bereiche Deep Neural Networks Convolutional Neural Networks Fokus Überblick geben Anwendungsbeispiele suchen Image Retrieval

13 Deep Learning Methodenschwerpunkte: Bildbasierte Objekterkennung, künstliche Neuronale Netze Literatur: Le, Quoc V. "Building high-level features using large scale unsupervised learning." Acoustics, Speech and Signal Processing (ICASSP), 2013 IEEE International Conference on. IEEE, Markoff, John, How Many Computers to Identify a Cat? 16,000, The New York Times, 2012 Cireşan, Dan C., et al. "Flexible, high performance convolutional neural networks for image classification." Proceedings of the Twenty-Second international joint conference on Artificial Intelligence-Volume Volume Two. AAAI Press, Hörster, Eva, and Rainer Lienhart. "Deep networks for image retrieval on largescale databases." Proceedings of the 16th ACM international conference on Multimedia. ACM, Weitere Literatur ist in den Artikeln zu finden oder selbst zu suchen (z.b. scholar.google.de)

14 Extreme Learning Machine Multilayer Perzeptron Klassische neuronale Netzwerke: Multilayer Perzeptron: viele Schichten, viele Gewichte, langsames Trainingsverfahren (Backpropagation) Extreme Learning Machines (ELM): Nur eine verdeckte Schicht Zufällige Gewichte Nicht iterativer Lernalgorithmus Klassifikation oder Regression ELM Schwerpunkte Funktionsweise und Varianten Anwendungen

15 Extreme Learning Machine Methodenschwerpunkte: zufallsbasiertes Maschinelles Lernen, Optimierungsverfahren Literatur: Huang, Guang-Bin, Qin-Yu Zhu, and Chee-Kheong Siew. "Extreme learning machine: theory and applications." Neurocomputing 70.1 (2006): Huang, Guang-Bin, Dian Hui Wang, and Yuan Lan. "Extreme learning machines: a survey." International Journal of Machine Learning and Cybernetics 2.2 (2011): Weitere Literatur ist in den Artikeln zu finden oder selbst zu suchen (z.b. scholar.google.de)

16 Anwendungsorientierte Themen

17 Digital Face Beautification Video by Bogie: Noveau Parfum Original Beautified

18 Digital Face Beautification Literatur: Tommer Leyvand, Daniel Cohen-Or, Gideon Dror and Dani Lischinski; Data-Driven Enhancement of Facial Attractiveness; ACM SIGGRAPH 2008 Weitere Literatur ist evtl. selbständig zu recherchieren. Einzusetzende Mittel: Merkmalsextraktion, Neuronale Netze, Bildregistrierung, Modellbildung

19 Google+ Was steckt hinter diesen Bild-Funktionen von Google+? Wie könnte Auto-Highlights implementiert worden sein? Wie kann automatisch ein Photobuch mit den wichtigsten Bildern einer Reise erstellt werden?

20

21 Google+ Literatur: 6 Image Qualities Which May Drive More Likes on Instagram; Tie Liu, Jingdong Wang, Jian Sun, Nanning Zheng, Xiaoou Tang, Heung-Yeung Shum; Picture Collage; IEEE Trans. on Multimedia, 2009 Yoann Baveye, Fabrice Urban, Christel Chamaret, Vincent Demoulin, Pierre Hellier; Saliency-Guided Consistent Color Harmonization; LNCS, 2013 Daniel Cohen-Or, Olga Sorkine, Ran Gal, Tommer Leyvand, Ying-Qing Xu; Color Harmonization; ACM, 2006 Weitere Literatur ist evtl. selbständig zu recherchieren. Einzusetzende Mittel: Merkmalsextraktion, Modellbildung, Vergleichsmetriken, Bildverarbeitung

22 Immersive Art & Buildings Wie kann ein Gebäude/Gerät mit Menschen interagieren? Welche Sensoren eignen sich? Art der Signalverarbeitung... Sochi Winter Olympics: Living Medal Count Tetro and Christopher Bauder: GRID Benjamin Grosser: Interactive Robotic Painting Machine

23 Immersive Art & Buildings Literatur: Benjamin Grosser: Interactive Robotic Painting Machine; Tetro and Christopher Bauder: GRID; Michael Burton: WaterBoard; Chris Besham und Tony Dewan: Waterwall; oder HTW Medienfassade Berlin; Mercedes-Benz: Invisible Car; Weitere Literatur ist evtl. selbständig zu recherchieren. Einzusetzende Mittel: Merkmalsextraktion, Modellbildung, Sensoren & Aktuatoren

24 Medizinische Bildverarbeitung

25 Graph based tracking for stenosis stent simulation initialization segmentation tracking 3D model Characteristics of the tracking method?

26 Graph based tracking for stenosis stent simulation Literatur: Egger, J., O Donnell, T., Hopfgartner, C., & Freisleben, B. (2009, January). Graph-based tracking method for aortic thrombus segmentation. In 4th European Conference of the International Federation for Medical and Biological Engineering (pp ). Springer Berlin Heidelberg. Egger, J., Mostarkic, Z., Maier, F., Kaftan, J. N., Großkopf, S., & Freisleben, B. (2007, August). Fast self-collision detection and simulation of bifurcated stents to treat abdominal aortic aneurysms (AAA). In Engineering in Medicine and Biology Society, EMBS th Annual International Conference of the IEEE (pp ). IEEE. Dissertation Egger (2009)

27 Dissektionen der Aorta Einrisse der Aorteninnenwand: Bildung eines neues, parallelen Blutkanals (falsches Lumen) Axiale CT-Aufnahme (mit Kontrastmittel) Wahres Lumen in gelb, falsches Lumen in blau (Segmentierungsergebnisse) Schematische Darstellung Welche Möglichkeiten existieren zur automatisierten Erkennung der beiden Lumina? Vorgehensweisen bei einer gesunden Hauptschlagader?

28 Dissektionen der Aorta Literatur: Lee, N., Tek, H., & Laine, A. F. (2008, March). True-false lumen segmentation of aortic dissection using multi-scale wavelet analysis and generative-discriminative model matching. In Medical Imaging (pp V-69152V). International Society for Optics and Photonics. Lohou, C., Łubniewski, P., Fetnaci, N., Feuillâtre, H., Courbon, J., Sauvage, V., & Sarry, L. (2013). Interventional planning and assistance for ascending aorta dissections. IRBM, 34(4), Krissian, K., Carreira, J. M., Esclarin, J., & Maynar, M. (2014). Semiautomatic segmentation and detection of aorta dissection wall in MDCT angiography. Medical image analysis, 18(1), Einzusetzende Mittel: Objekterkennung in CT-Bildern, Tracking, CT

29 Aortenaneurysmen Als Folge von z.b. Arteriosklerose (80% der Fälle) erfolgt eine lokalisierte, permanente Erweiterung des Querschnitts von Blutgefäßen => lebensbedrohlicher Riss der Gefäßwand möglich Im rechten Bild (CT): eine der beiden Beckenarterien ist infolge eines Aneurysmus stark vergrößert Herausforderung für die Bildverarbeitung: Separierung der Aorta von anderen angrenzenden Gefäßen sowie Gewebe Ansätze: Region Growing, Active Shape Models, Hough Transformation für Kreise

30 Aortenaneurysmen Literatur: Duquette, A. A., Jodoin, P. M., Bouchot, O., & Lalande, A. (2012). 3D segmentation of abdominal aorta from CT-scan and MR images. Computerized Medical Imaging and Graphics, 36(4), Demirci, S., Lejeune, G., and Navab, N. (2009, June). Hybrid deformable model for aneurysm segmentation. In Biomedical Imaging: From Nano to Macro, ISBI'09. IEEE International Symposium on (pp ). IEEE. De Bruijne, M., Van Ginneken, B., Viergever, M. A., & Niessen, W. J. (2004). Interactive segmentation of abdominal aortic aneurysms in CTA images. Medical Image Analysis, 8(2), Einzusetzende Mittel: Objekterkennung in CT-Bildern, Tracking, Angiographie

31 Active Contours driven by Statistical Distributions

32 Active Contours driven by Statistical Distributions Literatur: Michailovich, O., Rathi, Y., & Tannenbaum, A. (2007). Image segmentation using active contours driven by the Bhattacharyya gradient flow. Image Processing, IEEE Transactions on, 16(11), Freedman, D., & Zhang, T. (2004). Active contours for tracking distributions. Image Processing, IEEE Transactions on, 13(4), Ayed, I. B., Li, S., Ross, I., & Islam, A. (2009). Myocardium tracking via matching distributions. International journal of computer assisted radiology and surgery, 4(1), Ayed, I.B., Li, S., & Ross, I. (2009). Embedding overlap priors in variational left ventricle tracking. Medical Imaging, IEEE Transactions on, 28(12),

33 Organisatorisches Dieser Vortrag sowie weitere aktuelle Informationen stehen unter zur Verfügung. Seminar Intelligente Systeme 33

34 Organisatorisches Anforderungen: Einarbeitung in das gewählte Thema mehrmalige Besprechung mit dem jeweiligen Betreuer Erstellen von Vortragsfolien im PDF oder PowerPoint- Format (max 30 Folien) Erstellen einer schriftlichen Ausarbeitung im PDF-Format (ca. 20 Seiten) Vorbereitung auf die Vorträge der anderen Teilnehmer Teilnahme an der Diskussion nach den Vorträgen Seminar Intelligente Systeme 34

35 Organisatorisches Themenvergabe 1. Besprechung -7 Weitere Besprechungen vorläufige Folien -2 Abgabe der Folien -1 Vortrag 0 Vorbereitung Diskussion Abgabe der Ausarbeitung +3 t t in Wochen Seminar Intelligente Systeme 35