Deep Learning for Computer Vision II: Advanced Topics

Content

Tiefe faltende neuronale Netze (engl. Convolutional Neural Networks, CNNs) erzielen exzellente Ergebnisse in vielen Bereichen der Computer Vision, haben jedoch bei realen Anwendungen mit Herausforderungen zu kämpfen, wie die Abhängigkeit von kostspielig annotierten Trainingsdaten, hohe Rechenleistung oder schwere Nachvollziehbarkeit der Entscheidungswege. Während die Entwicklung der Erkennungsalgorithmen für lange Zeit primär von hohen Erkennungsraten auf großen und sauber annotierten Datensätzen getrieben waren, gewinnen heute anwendungsrelevante Ziele, wie Lernen mit wenig Trainingsdaten, Erklärbarkeit, Unsicherheitsschätzung oder Domänenadaption zunehmend an Bedeutung. 

 

Die Vorlesung behandelt fortgeschrittene Netzarchitekturen, Lernverfahren und Forschungsgebiete im Bereich Deep Learning für Computer Vision. Es werden unter anderem folgende Themen behandelt: 

 

  • Überblick Deep Learning, Faltende Neuronale Netze (CNN), Probleme moderner Architekturen
  • Interpretierbarkeit und Erklärbarkeit der CNNs
  • Unsicherheit in Deep Learning
  • Lernen mit wenig Trainingsdaten
  • Effiziente Architekturen
  • Fortgeschrittene Architekturen (Transformer, Graph Neural Networks)
  • Synergien von Computer Vision und Sprachmodellen
  • Generative Adversarial Networks (GANs)
  • Kontinuierliches Lernen
Language of instructionGerman/English

Vorlesungsfolien

24.10.2022      1       Introduction / Overview  [pdf]
31.10.2022      2       No lecture
07.11.2022      3       Advanced methods I: Transformers [pdf]
14.11.2022      4       Advanced methods II: Transformers and Graph Neural Networks [pdf]
21.11.2022      5       Learning with Less I: Weakly-supervised Learning [pdf]
28.11.2022      6       No lecture
05.12.2022      7       Learning with Less II: Self-supervised Learning [pdf
12.12.2022      8       Continual Learning [pdf]
19.12.2022      9       Learning with Less III: Weakly-supervised Learning and Contrastive Learning [pdf]
                                 Weihnachtsferien
09.01.2023    10       Generative Models and Diffusion Models [pdf]
16.01.2023    11       Interpretability and Uncertainty [pdf]
23.01.2023    12       Vision and Language [pdf]
30.01.2023    13       Domain Adaptation, Transfer Learning and Efficient Deep Learning [pdf]
06.02.2023    14       Few- and Zero Shop Learning [pdf]
13.02.2023    15       Summary [pdf]