Intelligente Systeme

Seminar - Deep Learning

dl

Seminar (infSemDeLea-01a)

2 SWS, ECTS-Studium, ECTS-Credits: 5
für ERASMUS-/Austauschstudierende geeignet, Unterrichtssprache Englisch
Zeit und Ort: unregelmäßger Turnus
Vorlesungszeit Wintersemester 2021-2022: 18.10.2021 - 22.2.2022
Weitere Information in UnivIS oder im Modulinformationssystem

 

Die KickOff Veranstaltung für das Master-Seminar "Deep Learning" findet am Donnerstag, den 23. September 2021 um 14 Uhr als Zoom-Call statt. Dort wird der Ablauf des Seminars erläutert und es werden die Themen vergeben. Als Vorbereitung für die Themenvergabe sind die Startpaper für die Einzelthemen abrufbar. Sollten Sie Interesse an der Veranstaltung haben, sich bereits einen Platz reservieren wollen oder Fragen haben, wenden Sie sich gerne direkt an Prof. Tomforde

 

Allgemeine Information

In diesem Seminar werden wichtige Arbeiten der letzten Jahre im Bereich "Deep Learning" diskutiert. Das Seminar wird in Zusammenarbeit mit der Arbeitsgruppe "Multimedia Information Processing" angeboten. Der Schwerpunkt der Arbeit liegt daher auf Problemen im Bereich Computer Vision und aktives Lernen. Beispielsweise werden Themen wie Objekterkennung, Bildbeschreibung, Inpainting, Segmentierung, aber auch neuartige Lernmethoden diskutiert.

Themen:

 1. Object Detection / End-to-End Object Detection with Transformers (link)

 2. Object Detection / Panoptic-DeepLab: A Simple, Strong, and Fast Baseline for Bottom-Up Panoptic Segmentation (link)

 3. Image Generation / On the Spectral Bias of Neural Networks (link)

 4. Image Generation / PixelCNN (link)

 5. Disentanglement / Guided Variational Autoencoder for Disentanglement Learning (link)

 6. Online Learning / Towards continuous actions in continuous space and time using self-adaptive constructivism in neural XCSF (link)

 7. Online Learning / Off-Policy Deep Reinforcement Learning without Exploration (link)

 8. Baysian NN / Weight uncertainty in neural networks (link)

 9. Quantification Learning / Automatic plankton quantification using deep features (link)

10. 3D Reconstruction / Recurrent Neural Network for (Un-)supervised Learning of Monocular Video Visual Odometry and Depth (link)

11. Image Registration / SuperPoint: Self-Supervised Interest Point Detection and Description (link)

12. Semi-Supervised Learning / MixMatch: A Holistic Approach to Semi-Supervised Learning (link)

13. Semi-Supervised Learning / SCAN: Learning to Classify Images without Labels (link)

 

Eine vorherige erfolgreiche Teilnahme am Kurs Inf-NNDL: Neuronale Netze und tiefes Lernen ist erforderlich.

Die Bewertung in diesem Modul besteht aus der Vorbereitung einer schriftlichen Ausarbeitung, der Überprüfung von zwei Werken Ihrer Kommilitonen sowie einer Präsentation mit anschließender Diskussion.

Der gesamte Kurs findet in englischer Sprache statt. Die Ausarbeitung, Überprüfung und Präsentation (inkl. Diskussion) erfolgt in englischer Sprache.

Bei Fragen kontaktieren Sie bitte Johannes Brünger oder Simon Reichhuber

 

Schriftliche Ausarbeitung

Ihre erste Aufgabe ist es, das Ihnen zugewiesene Papier zu lesen und zu verstehen. Sie sollten auch zitierte Literatur berücksichtigen, die zum Verständnis notwendig ist. Dann sollten Sie den Inhalt Ihres Papiers in Ihren eigenen Worten zusammenfassen. Wir erwarten ungefähr 12-20 Seiten. Auch hier sollten Sie sich nicht auf Ihre Arbeit beschränken, sondern auch Begleitliteratur beifügen. Die schriftliche Ausarbeitung wird über das EasyChair-Konferenzsystem eingereicht.

Bewertungen

In einer Überprüfung sollten Sie beurteilen, ob der Autor die Aufgabe der Zusammenfassung des angegebenen Papiers erfüllt hat oder nicht. Natürlich müssen Sie auch das Originalpapier berücksichtigen.

Die Überprüfungen werden auch über das EasyChair-Konferenzsystem durchgeführt. Ihnen werden zwei Papiere zugewiesen, die Sie wie folgt bearbeiten sollten:

Zusammenfassung: Hier sollten Sie den Inhalt der Ausarbeitung kurz zusammenfassen. Dies zeigt, dass Sie als Rezensent verstanden haben, worum es geht.

Papierstärke: Hier sollten Sie auflisten, was Ihnen an der Ausarbeitung gefallen hat. Wenn Sie also Ihren Kollegen verteidigen müssten, wären dies Ihre Argumente, warum die Ausarbeitung gut ist.

Papierschwächen: Hier sollten Sie auflisten, was Ihnen an der Ausarbeitung nicht gefallen hat. Wenn Sie also die Ablehnung der Arbeit verteidigen müssten, wären dies Ihre Argumente, warum die Ausarbeitung nicht gut ist. Vorläufige Bewertung: Eine Zusammenfassung Ihrer Meinung mit Argumenten, ob die Aufgabe erfüllt wurde oder nicht.

Gesamtbewertung: Das fasst in einer Note noch einmal zusammen, ob die Ausarbeitung die Aufgabe erfüllt hat oder nicht. Diese Empfehlung wird nicht an den Autor weitergegeben. Die Bewertungen sind Teil der Bewertung in diesem Seminar und daher in Ihrer Note enthalten. Wir werden bewerten, wie gewissenhaft Sie die Arbeit Ihrer Kommilitonen überprüft haben.

Präsentation

Während der Präsentation sollten Sie eine 20-minütige Präsentation des Inhalts des Ihnen zugewiesenen Papiers geben. Anschließend möchten wir eine kurze Diskussion über die Beiträge des Papiers zur Deep Learning-Forschung führen. Sie als Redner sollten diese Diskussion leiten und sie gegebenenfalls mit Fragen beginnen, die Sie selbst vorbereitet haben. Wir planen, diese Minikonferenz online abzuhalten.


Workload

30 Std. Präsenz im Seminar, 120 Std. Selbststudium