Das Paper „Haystack: A Panoptic Scene Graph Dataset to Evaluate Rare Predicate Classes” von Julian Lorenz, Florian Barthel, Daniel Kienzle und Rainer Lienhart wurde beim First ICCV Workshop on Scene Graphs and Graph Representation Learning (SG2RL) akzeptiert. Die Autoren präsentieren Haystack, einen neuartigen Datensatz für Scene Graph Generation, der entwickelt wurde, um die Schwachstellen der Evaluation mit aktuellen Scene Graph Datensätzen zu verhindern. Insbesondere zeichnet sich Haystack dadurch aus, dass er seltene Prädikatklassen enthält und auch negative Annotationen beinhaltet. Erst durch diese Eigenschaften können seltene Beziehungen zuverlässig evaluiert werden. Mithilfe der besonderen Struktur des Datensatzes sind die Autoren in der Lage, drei neue Metriken zu definieren, die verwendet werden können, um aussagekräftigere Aussagen über die Modellausgaben zu seltenen Prädikaten zu machen.

 

Weitere Informationen sind unter https://lorjul.github.io/haystack/ zu finden.

[Lehrstuhl für Maschinelles Lernen und Maschinelles Sehen]

Am 16.8.2023 verteidigte unser ehemaliger Kollege Shuo Liu erfolgreich seine Doktorarbeit „Deep learning approaches for adaptive audio processing and binary classification in digital health“. Das Prüfungskomitee bestand aus Shuos Doktorvater Prof. Dr.-Ing. habil. Björn Schuller, Prof. Dr. Matthias Schlesner und Prof. Dr. Frank Kramer (alle Universität Augsburg). Herzlichen Glückwunsch! [Lehrstuhl für Embedded Intelligence for Health Care and Wellbeing]

Die Universitäten Augsburg, Bamberg, Erlangen-Nürnberg, München und Würzburg haben in einem gemeinsamen Forschungsverbund vier Jahre lang zum gesunden Umgang mit digitalen Technologien und Medien geforscht. ForDigitHealth präsentiert seine Ergebnisse  sowohl in wissenschaftlichen Publikationen wie auch einem verständlichen Online-Wegweiser für die Öffentlichkeit.

 

[Universität Augsburg]