Über den Lehrstuhl

Team des Lehrstuhls für Maschinelles Lernen und Maschinelles Sehen © Universität Augsburg
Lehrstuhlinhaber
Lehrstuhl für Maschinelles Lernen und Maschinelles Sehen
  • Telefon: +49 (821) 598 5703
  • E-Mail:
  • Raum 1013 (Gebäude N)

Herzlich willkommen am Lehrstuhl für Maschinelles Lernen und Maschinelles Sehen. 

 

Forschung

Am Lehrstuhl für “Maschinelles Lernen und Maschinelles Sehen” (engl. Machine Learning and Computer Vision) werden Verfahren zum maschinellen Lernen und Sehen sowie Wahrnehmen im Allgemeinen erforscht. Neben der Erforschung und Entwicklung von Verfahren, die speziell auf Bild, Video, Sensor- und Multimediadaten (= Daten von unterschiedlichen Quellen und unterschiedlicher Art) ausgerichtet sind, werden auch Verfahren des Data Mining und Analytics auf Produktionsdaten erforscht, weil deren Sensordaten ebenso eine Form von Wahrnehmung darstellen. Ein bedeutender Schwerpunkt ist die Erkennung von Menschen, deren Pose und Aktionen in 2D und 3D, deren Bewegungsvoraussage in die Zukunft sowie die Auswertung der Güte von Bewegungen (z.B. im Weit-/Dreisprung, Schwimmen und Skispringen für unserer Olympioniken). Auch für medizinische Daten (MRT, Kolos­kopievideos) entwickelt der Lehrstuhl automatische Verfahren zur Erkennung von medizinischen Befunden sowie für die automatische Erstellung von textuellen Befunden (engl. Report Generation). Ein dritter Schwerpunkt am Lehrstuhl bildet die Erforschung von Verfahren zur Erzeugung von neuen Trainingsbeispielen durch Synthese mittels Generative Adversarial Networks (GANs), welche es erlauben, die für tiefe neuronale Netze benötigt große Zahl an Trainingsbeispielen aus einer kleinen domainspezifischen Trainingsmenge oder zusätzlich aus einer großen domainfremden Trainingsmenge zu synthetisieren, und welche damit weit über die Möglichkeiten des einfachen Data Augmentation hinausgehen.

 

  • Angewandtes Maschinelles Lernen (Applied Machine Learning, e.g., deep neural networks, bayesian networks, random forests)
  • Maschinelles Sehen (Computer Vision) wie multimodale Detektion, Lokalisation und Erkennung von Menschen, Objekten und Ereignissen sowie industrielle visuelle und multimodale Materialprüfung
  • Data Mining von multimodalen Daten (z. B. Produktionsdaten)
  • Indizierung und Suche in Bild, Video und multimodalen Dokumenten
  • Erzeugung von neuen Trainingsbeispielen durch Synthese mittels Generative Adversarial Networks (GANs) aus einer kleinen domainspezifischen Trainingsmenge oder zusätzlich aus einer großen domainfremden Trainingsmenge 

Lehre

Bachelor: Multimedia Grundlagen 1 (B), Grundlagen Signalverarbeitung und Maschinelles Lernen (B), Multimedia Projekt (B)

Master: Maschinelles Lernen und maschinelles Sehen (Machine Learning  & Computer Vision) (M), Fortgeschrittenes maschinelles Lernen und maschinelles Sehen (Advanced Machine Learning  & Computer Vision) (M), Bayessche Netze (Bayesian Networks) (M), Stochastische Robotik (Probabilistic Robotics) (M), Advanced Deep Learning (M)

 

Job Angebote

Ph.D. candidates:

We are constantly looking for bright minds! If you are just about to finish your Master in Computer Science, Electrical Engineering, Physics, Mathematics, or alike and want to perform top-class research in Computer Vision, Machine Learning or Multimedia (= multiple sources of different signal sources) Data Mining and Analytics, please submit your application to Prof. Dr. Rainer Lienhart

 

Students (HiWi):

We are also hiring students (HiWis) to support us with our latest research projects. The main task is programming (scripting) for several purposes (small and simple projects) and data management. For further details please contact Stephan Brehm, Moritz Einfalt, Philipp Harzig, Katja Ludwig, Sebastian Scherer or Robin Schön.

Suche