piwik-script

Deutsch Intern
    Chair of Computer Science VI - Artificial Intelligence and Applied Computer Science

    Seminar: Aktuelle Trends in der Künstlichen Intelligenz

    F. Puppe, J. Krebs und die Mitarbeiter/-innen des Lehrstuhls VI

    Im Wintersemester 2021/2022 werden allgemeine und aktuelle Themen aus der Künstlichen Intelligenz vergeben. Mögliche Schwerpunkte sind unter anderem Natural Langugage Processing, Bildverarbeitung, Reinforcement Learning, Themen aus der medizinischen Informatik. Ziel des Seminars ist es, selbstständig ein Thema anhand geeigneter Literatur zu erarbeiten und dieses sowohl in einem mündlichen Vortrag, als auch einer schriftlichen Ausarbeitung zu präsentieren.

    Das Seminar eignet sich für Studierende im Bachelor- und im Masterstudium.

    Achtung NEU: Es werden dieses Semester keine Doppelthemen vergeben! Leute die noch auf der Warteliste für Doppelthemen waren, wurden anhand des Anmeldedatums in die Liste für Einzelthemen einsortiert.

    Anmeldung: Wir haben das Anmeldesystem auf eine globale, semesterübergreifende Warteliste umgestellt. Das heisst, wenn Sie Interesse haben am Seminar teilzunehmen, schreiben Sie eine Mail mit vollem Namen, Matrikelnummer und Studiengang an untenstehenden Kontakt. Sie werden dann in die Warteliste aufgenommen. Die Aufnahme in die Warteliste kann zu jedem Zeitpunkt erfolgen, einen expliziten Anmeldezeitraum gibt es nicht, da die Themen in Anmeldereihenfolge vergeben werden.

    Regeln zur Warteliste: Die Themen werden in der Einführungsveranstaltung (bzw. aktuell per Mail) der Reihe nach an die Führenden der Warteliste vergeben. Wer nicht anwesend ist, bekommt kein Thema und verliert auch seinen Platz in der Warteliste. Wem die Themen nicht zusagen und freiwillig zurücktritt, verliert seinen Listenplatz ebenfalls. Die Themen werden solange in Reihenfolge weiter vergeben, bis das letzte Thema vergeben ist. Alle Teilnehmer, bis zu diesem Platz, werden aus der Liste gelöscht und diejenigen, die kein Thema bekommen haben rücken nach vorne auf. Es ist weiterhin nötig, nach jeder Einführungsveranstaltung/Themenvergabe seine Anmeldung zu erneuern um seinen Platz nicht zu verlieren, damit wir mitbekommen, ob die Teilnehmer vielleicht zwischenzeitlich ein anderes Seminar belegt haben (so können wir für die Interessierten bessere Prognosen abgeben ob es im nächsten Semester funktionieren wird, oder nicht). Erneuerungen werden nur nach der Einführungsveranstaltung/Themenvergabe des jeweiligen Semesters für das nächste Semester angenommen, um Pauschal-Erneuerungen einen Riegel vorzuschieben.  Die Erneuerungen für das SS 22 werden zwischen dem 15.11.2021 und dem 15.12.2021 angenommen!

    Einführungsveranstaltung / Themenvergabe: Da aufgrund der Corona-Krise von Präsenzveranstaltungen aktuell weitestgehend abzusehen ist, bzw. die Raumplanung komplizierter ist, findet in diesem Semester keine Einführungsveranstaltung statt. Die Themen werden dieses Semester ausschließlich online per E-Mail vergeben. Folgender Ablauf: Jeder Teilnehmer in der Warteliste bekommt der Reihe nach eine E-Mail mit den aktuell noch verfügbaren Themen aus denen er sich dann binnen 2 Stunden eines Auswählen kann. Sollte innerhalb der 2 Stunden keine Antwort erfolgen, ist der Listenplatz verloren und die Themen werden dem Nächsten in der Warteliste angeboten. Damit niemand die ganze Nacht seine Mails checken muss, werden die Mails nur zwischen 9 Uhr morgens und 18 Uhr am Abend verschickt. Bei einer Mail um 18 Uhr wird die Antwort der Fairness halber trotzdem bis 20 Uhr erwartet. Wer also bis 18 Uhr (plus ein bisschen Toleranz für die Übertragung) keine E-Mail bekommen hat, braucht vor 9 Uhr des nächsten Tages auch nicht mehr checken.  Es wäre schön, wenn Sie sich schnell für ein Thema entscheiden könnten, damit sich das ganze nicht unnötig in die Länge zieht. Um einen einheitlichen Startschuss zu gewährleisten  werden alle Teilnehmer, nachdem alle Themen vergeben wurden, gleichzeitig in einen nicht-öffentlichen WueCampus Kurs eingefügt, in dem sie ihre Materialien und Kontaktdaten zu ihrem Betreuer finden.

    ACHTUNG: Es sind bereits alle Themen für das Wintersemester 21/22 vergeben.

    Zum aktuellen Zeitpunkt können wir leider noch nicht sagen, ob die Seminarvorträge in Präsenz gehalten werden, oder als Video eingereicht werden müssen. Auch eine Mischform (Vortrag per Video, Diskussion in Präsenz) ist denkbar. Das wird im Laufe des Semesters abhängig von der jeweiligen Situation noch bekannt gegeben.

    Kontakt: Für Anmeldungen und Rückfragen steht Jonathan Krebs (jonathan.krebs@uni-wuerzburg.de) per Mail zur Verfügung.

    Themen im Wintersemester 21/22

    Thema 1 - Enhancing Digital Twins through Reinforcement Learning

    Ein Digital Twin soll ein reales System möglichst genau abbilden. In der Praxis gibt es jedoch Abweichungen, die unter anderem auf Modellungenauigkeiten zurückgeführt werden können. Diese Abweichungen können durch geeignete Steuerbefehle kompensiert werden. Das finden solcher gestaltelt sich jedoch als nicht einfach. In diesem Paper wird versucht mithilfe von Reinforcment Learning einen bestehenden Staz von Steuerbefehlen zu verbessern. - Betreuer: Kirill Djebko

    Thema 2 - From ProGAN to StyleGAN - Image Generation with Generative Adversarial Networks

    Ein Digital Twin soll ein reales System möglichst genau abbilden. In der Praxis gibt es jedoch Abweichungen, die unter anderem auf Modellungenauigkeiten zurückgeführt werden können. Diese Abweichungen können durch geeignete Steuerbefehle kompensiert werden. Das finden solcher gestaltelt sich jedoch als nicht einfach. In diesem Paper wird versucht mithilfe von Reinforcment Learning einen bestehenden Staz von Steuerbefehlen zu verbessern. - Betreuer: Kirill Djebko

    Thema 3 - Super Resolution GANs

    Bei der Superreolution werden mithilfe von GANs Bilder hochskaliert und zusätzlich Details hinzugefügt. Bei diesem Seminarthema sollen verschiedene Super Resolution GANs vorgestellt und mit klassischen Verfahren zum hochskalieren von Bildern verglichen werden. - Betreuer: Kirill Djebko

    Thema 4 - Polyp Classification with Deep Learning  - A Review

    Die Früherkennung von Polypen spielt eine wichtige Rolle bei der Prävention von Darmkrebs. Die manuelle klinische Inspektion hat viele Einschränkungen und kann dazu führen, dass Polypen entweder falsch oder gar nicht erkannt werden. Computergestützte Diagnosesysteme wurden eingesetzt, um den medizinischen Experten zu unterstützen und eine genauere Diagnose zu stellen. Seit ihrer Einführung wurden in der Literatur viele Arten von Algorithmen vorgeschlagen, die verschiedene Arten von Merkmalen und Klassifikationen verwenden. Diese Arbeit soll eine Übersicht über die aktuellsten Ansätze der Polypen Klassifikation eingehen. Hierbei kann auf die Paris, NICE und Klassische Adenom nicht Adenom Klassifikation eingegangen werden. Weitere Klassifikationen sollen auch mit Betrachtet werden. - Betreuer: Adrian Krenzer

    Thema 5 - Detecting Blurry Images

    Die Qualität von Bildern ist in der Informatik, der Bildverarbeitung und anderen verwandten Bereichen von entscheidender Bedeutung. Die Bildwiederherstellung ist eine der Kategorien der Bildverarbeitung, bei der die Qualität eines Bildes eine entscheidende Rolle spielt. Die Erkennung von Unschärfe ist eine Vorstufe der Bildwiederherstellung. Mithilfe verschiedener Blurrydetection-Techniken kann die Qualität eines Bildes ermittelt werden, ob es unscharf ist oder nicht. Dies soll implementiert und beschrieben werden. - Betreuer: Adrian Krenzer

    Thema 6 - Pix2sq: A Language Modeling Framework for Object Detection

    Pix2Seq ist ein neues Framework im Bereich der Objekterkennung, das den Bereich als Language Modelling Task betrachtet. Damit wird weniger Information über das Bild vorausgesetzt als in bisherigen konventionellen Methoden. Dennoch werden kompetitive Ergebnisse erreicht. Die Methode + Experimente sollen hier besonders im Vergleich zu konventionellen Methoden dargstellt werden. Also was ist neu bzw. anders an der Methode? Welche Aspekte werden weggelassen? Welche hinzugefügt? - Betreuer: Amar Hekalo

    Thema 7 - Residual Attention: A Simple but Effective Method for Multi-Label Recognition

    In dem Paper geht es darum, Multi-label Bildklassifizierung über Residual Attention zu verbessern. Die Autoren führen hierbei eine neue Methode namens class-specific residual attention (CSRA) ein, die mit nur 4 lines of code gute Verbesserungen bietet. Für das Seminar soll diese Methode vorgestellt werden und mit Recherche zu Related Work kritisch betrachtet werden. - Betreuer: Amar Hekalo

    Thema 8 - Learning to Ignore: Long Document Coreference with Bounded Memory Neural Networks

    Moderne, auf Deep Learning basierende Algorithmen für die Koreferenzauflösung erfordern viel Speicher, was sie untauglich für lange Dokumente (z.B. Romane) macht. Dieses Paper stellt ein Verfahren vor, dass den Speicherverbrauch begrenzt um auch auf lange Dokumenten anwendbar zu sein. - Betreuer: David Schmidt

    Thema 9 - An End-to-end Model for Entity-level Relation Extraction using Multi-instance Learning

    Das Paper stellt ein Deep Learning Verfahren vor, das Koreferenzauflösung und Relationsextraktion kombiniert um Relationen zwischen Entitäten zu finden. - Betreuer: David Schmidt

    Thema 10 - Superintelligence Cannot be Contained: Lessons from Computability Theory

    Als "Superintelligenz" bezeichnet man eine künstliche Intelligenz, deren Intelligenz die des Menschen (weit) übertrifft. Eine solche Intelligenz kann natürlich auch eine Gefahr für die Menschheit darstellen. Das Paper zeigt, dass es nicht möglich ist eine solche Intelligenz "einzusperren", ohne sie vollständig von der Außenwelt zu trennen und damit nutzlos zu machen. - Betreuer: David Schmidt

    Thema 11 - Medical Chatbots

    Medizinische Chatbots schließen eine Lücke zwischen dem klassischen Arztbesuch und dem Stellen von Fragen in Online Foren. Aber wie funktioniert diese Technik eigentlich und wie gut sind die Resultate? Bei diesem Thema soll ein Überblick über den Bereich erstellt und entsprechende Verfahren vorgestellt werden. - Betreuer: Joni Krebs

    Thema 12 - Fine-Grained General Entity Typing in German using GermaNet

    Fine-Grained Entity Typing ist die Aufgabe einer Entität im Text ihren passenden Typ zuzuweisen, was sehr verwandt mit Named Entity Recognition ist. Bei Fine-Grained Entity Typing kommt jedoch eine wesentlich detailliertere Labelmenge zum Einsatz. Außerdem werden nicht nur Named-Entities (z.B. "Angela Merkel"), sondern auch General Entities (z.B. "Exbundeskanzlerin") betrachtet. Speziell für letztere gibt es im deutschen kaum Trainingsdaten, weshalb diese von bisherigen NER Systemen schlechter zugeordnet werden als NEs. Diese Arbeit zeigt einen Einsatz, der mit Hilfe von GermaNet solche Trainingsdaten augmentiert. - Betreuer: Joni Krebs