Seminar Vorbesprechung „Intelligente Systeme ... · Seminar Intelligente Systeme 34...
Transcript of Seminar Vorbesprechung „Intelligente Systeme ... · Seminar Intelligente Systeme 34...
Seminar Intelligente Systeme 11.04.2014
1
Seminar Vorbesprechung„Intelligente Systeme“, Sommersemester 2014
Betreut von:
Prof. Dr. PauliDipl.-Inf. BürgerDipl.-Inform. HerwigDipl.-Inform. HoefinghoffDipl.-Ing. Morariu
Künstliche Intelligenz
Lernen durch Belohnung/Bestrafung
Wie verarbeitet das Gehirn Belohnungen/Bestrafungen?
Wie werden Modelle für die KI abgeleitet?
Mit welchen Methoden wird menschliches Lernen untersucht?
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!
Lernen durch Belohnung/Bestrafung
Modellierung von individuellen Entscheidungen
Wie kann das Verhalten von Individuen modelliert werden?
Können allgemeingültige Gemeinsamkeiten gefunden werden?
Warum entscheiden sich Menschen in gleichen Situation unterschiedlich?
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!
Bildverarbeitung und Machine Learning
Wie funktioniert die Objekterkennung im Gehirn?
Joe
Jim
● Wie kann das Gehirn mühelos invariante Objekterkennung erreichen?
● Invarianz: Translation, Skalierung, Drehung, Beleuchtung, visueller Kontext
● Verarbeitung hochdimensionaler Signale/Daten
Joe
Jim
Objekterkennung
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): 333-341.● DiCarlo, James J., Davide Zoccolan, and Nicole C. Rust. "How does the brain
solve visual object recognition?" Neuron 73.3 (2012): 415-434.● Vortrag: James DiCarlo, “How the brain solves visual object recognition”, ICCV
2011,http://www.iccv2011.org, Video: http://iccv2011.org/oral_videos/day_3/3-0-keynote2.m4v
Weitere Literatur ist in den Artikeln zu finden oder selbst zu suchen (z.B. scholar.google.de)
Wie funktioniert die Objekterkennung im Gehirn?
Dimensionsreduktion mit Manifold Learning
● Problem: hochdimensionale Merkmalsvektorräume → Fluch der Dimensionalität
● Lösung: Lernen von niedrig-dimensionalen geometrischen Zusammenhängen (Manifolds)
● Local Linear Embedding, ISOMAP, Deep Auto Encoder, Kernel-PCA, Laplacian Eigenmaps, Manifold Charting, ...
ISOMAP
Deep Auto Encoder
Methodenschwerpunkte: Maschinelles Lernen, Geometrie, Graph-Algorithmen, Neuronale Netzwerke
Literatur:● Ma, Yunqian, and Yun Fu, eds. Manifold Learning Theory and Applications.
CRC Press, 2012. (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), 66-71.
● Lin, Tong, and Hongbin Zha. "Riemannian manifold learning." Pattern Analysis and Machine Intelligence, IEEE Transactions on 30.5 (2008): 796-809.
● van der Maaten, L. J., Matlab Toolbox for Dimensionality Reduction, http://homepage.tudelft.nl/19j49/Matlab_Toolbox_for_Dimensionality_Reduction.html
Weitere Literatur ist in den Artikeln zu finden oder selbst zu suchen (z.B. scholar.google.de)
Hinweis: 1-2 Bearbeiter möglich
Dimensionsreduktion mit Manifold Learning
Deep Learning
● Aktueller Forschungstrend● verschiedene Bereiche
● Deep Neural Networks● Convolutional Neural Networks
● Fokus● Überblick geben● Anwendungsbeispiele suchen
Convolutional Neural Networks
Image Retrieval
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, 2013.
● 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, 2011.
● Hörster, Eva, and Rainer Lienhart. "Deep networks for image retrieval on large-scale databases." Proceedings of the 16th ACM international conference on Multimedia. ACM, 2008.
Weitere Literatur ist in den Artikeln zu finden oder selbst zu suchen (z.B. scholar.google.de)
Deep Learning
Extreme Learning Machine
● 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
● Schwerpunkte● Funktionsweise und Varianten ● Anwendungen
Multilayer Perzeptron
ELM
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): 489-501.● Huang, Guang-Bin, Dian Hui Wang, and Yuan Lan. "Extreme learning
machines: a survey." International Journal of Machine Learning and Cybernetics 2.2 (2011): 107-122.
Weitere Literatur ist in den Artikeln zu finden oder selbst zu suchen (z.B. scholar.google.de)
Extreme Learning Machine
Anwendungsorientierte Themen
Digital Face Beautification
OriginalBeautified
Video by Bogie: Noveau Parfum
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
Google+
Was steckt hinter diesenBild-Funktionen von Google+?
Wie könnte „Auto-Highlights“implementiert worden sein?
Wie kann automatisch einPhotobuch mit den
“wichtigsten“ Bilderneiner Reise erstellt werden?
Google+
Literatur:6 Image Qualities Which May Drive More Likes on Instagram;http://blog.curalate.com/image-qualities-that-drive-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
Immersive Art & Buildings
Sochi Winter Olympics: Living Medal Count
● Wie kann ein Gebäude/Gerätmit Menschen interagieren?
● Welche Sensoren eignen sich?● Art der Signalverarbeitung...
Benjamin Grosser: Interactive Robotic Painting Machine Tetro and Christopher Bauder: GRID
Immersive Art & Buildings
Literatur:● Benjamin Grosser: Interactive Robotic Painting Machine;
http://bengrosser.com/projects/interactive-robotic-painting-machine/● Tetro and Christopher Bauder: GRID;
http://www.wired.com/design/2014/01/watch-epic-kinetic-light-installation-dangle-audience/● Michael Burton: WaterBoard; https://www.youtube.com/watch/T1K-dTMpkRo● Chris Besham und Tony Dewan: Waterwall; http://waterwall.org oder
http://vimeo.com/moogaloop.swf?clip_id=4142629● HTW Medienfassade Berlin;
http://inka.htw-berlin.de/inka/experimentelle-bespielung-der-medienfassade-des-fki/● Mercedes-Benz: Invisible Car; https://www.youtube.com/watch/vWtcz9PMFHo● http://www.interactiveartwall.com/
Weitere Literatur ist evtl. selbständig zu recherchieren.
Einzusetzende Mittel:Merkmalsextraktion, Modellbildung, Sensoren & Aktuatoren
Medizinische Bildverarbeitung
Graph based tracking for stenosis stent simulation
… initialization
… segmentation
… tracking
… 3D model
Characteristics of the tracking method?
Graph based tracking for stenosis stent simulationLiteratur:
– 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. 584-587). 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, 2007. EMBS 2007. 29th Annual International Conference of the IEEE (pp. 6231-6234). IEEE.
– Dissertation Egger (2009)
Dissektionen der Aorta
Schematische Darstellung
Einrisse der Aorteninnenwand: Bildung eines neues, parallelen Blutkanals (falsches Lumen)
Axiale CT-Aufnahme
(mit Kontrastmittel)
Wahres Lumen in gelb, falsches Lumen in blau
(Segmentierungsergebnisse)
Welche Möglichkeiten existieren zur automatisierten Erkennung der beiden Lumina?
Vorgehensweisen bei einer gesunden Hauptschlagader?
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. 69152V-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), 306-310.
– Krissian, K., Carreira, J. M., Esclarin, J., & Maynar, M. (2014). Semi-automatic segmentation and detection of aorta dissection wall in MDCT angiography. Medical image analysis, 18(1), 83-102.
Einzusetzende Mittel: Objekterkennung in CT-Bildern, Tracking, CT
Aortenaneurysmen
Herausforderung für die Bildverarbeitung: Separierung der Aorta von anderen angrenzenden Gefäßen sowie Gewebe
Als Folge von z.B. Arteriosklerose (80% der Fälle) erfolgt eine lokalisierte, permanente Erweiterung des Querschnitts von Blutgefäßen => lebensbedrohlicher Riss der Gefäß-wand möglich
Ansätze: Region Growing, Active Shape Models, Hough Transformation für Kreise
Im rechten Bild (CT): eine der beiden Beckenarterien ist infolge eines Aneurysmus stark vergrößert
AortenaneurysmenLiteratur:
– 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), 294-303.
– Demirci, S., Lejeune, G., and Navab, N. (2009, June). Hybrid deformable model for aneurysm segmentation. In Biomedical Imaging: From Nano to Macro, 2009. ISBI'09. IEEE International Symposium on (pp. 33-36). 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), 127-138.
Einzusetzende Mittel: Objekterkennung in CT-Bildern, Tracking, Angiographie
Active Contours driven by Statistical Distributions
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), 2787-2801.
– Freedman, D., & Zhang, T. (2004). Active contours for tracking distributions. Image Processing, IEEE Transactions on, 13(4), 518-526.
– 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), 37-44.
– Ayed, I.B., Li, S., & Ross, I. (2009). Embedding overlap priors in variational left ventricle tracking. Medical Imaging, IEEE Transactions on, 28(12), 1902-1913.
Seminar Intelligente Systeme 33
Organisatorisches
Dieser Vortrag sowie weitere aktuelle Informationen stehenunter http://www.is.uni-due.de/seminar zurVerfügung.
Seminar Intelligente Systeme 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 35
Organisatorisches
Themenvergabe
1. Besprechung
Weitere Besprechungen
Abgabe der Ausarbeitung
Abgabe der FolienVortrag
VorbereitungDiskussion
t
-7
-10
+3
vorläufige Folien -2
t in Wochen