Maschinelles Lernen und Bildverarbeitung

Bilddaten liegen in vielen Bereichen vor, angefangen beim autonomen Fahren bis hin zu medizinischen Diagnosen. In den letzten zehn Jahren wurden die Fortschritte in der Bildanalyse von tiefen neuronalen Netzen bestimmt, die den Stand der Technik bei der Bildklassifizierung, Objektsegmentierung und -verfolgung kontinuierlich verbessern. Die obenstehende Abbildung veranschaulicht einen entscheidenden Erfolg dieser Arbeit: das nnU-Net, eine Segmentierungsarchitektur, die sich selbst für eine Vielzahl von Aufgaben konfigurieren kann und daher Dutzende von offiziellen Benchmark-Wettbewerben ohne manuelle Feinabstimmung für verschiedene Problemstellungen gewinnen konnte. Andere Forschungsprojekte befassen sich unter anderem mit fortgeschrittenen Diagnosemodalitäten für die Medizin wie etwa der photoakustischen Bildgebung und der diffusionsgewichteten Magnetresonanztomographie. Auch die automatisierte Analyse mikroskopischer Daten wie etwa die Klassifizierung und Verfolgung von sich teilenden Zellen in mikroskopischen Videos, aber auch die Interpretation komplexer realer Szenen im Kontext der Computer Vision sind Gegenstand dieser Projekte. Ein zentrales Element bei all diesen Bemühungen ist die interdisziplinäre Forschung: Viele unserer wissenschaftlichen Fragen sind von ungelösten Problemen in der Medizin, Biologie, Neurowissenschaft, Physik, Psychologie usw. inspiriert, und unsere Lösungen werden in anspruchsvollen Anwendungen aus diesen Bereichen erprobt.

Trotz aller Erfolge kann das maschinelle Lernen noch nicht in sicherheitskritischen Szenarien wie dem autonomen Fahren und der automatisierten medizinischen Diagnose eingesetzt werden, da es keine Garantie dafür gibt, dass tiefe Netze unter allen Umständen richtig funktionieren. Die obige Abbildung veranschaulicht eine typische Herausforderung, die hier von einem unserer invertierbaren neuronalen Netze gelöst wurde: Für viele Probleme - zum Beispiel die Einfärbung eines Graustufenbildes - gibt es keine eindeutige Antwort. Zuverlässige Netze müssen in der Lage sein, die gesamte Vielfalt möglicher Lösungen zu erfassen und ihre Plausibilität zuverlässig zu bewerten. Diese Fähigkeit wird als Quantifizierung der Unsicherheit bezeichnet. Ein weiterer Weg, den wir verfolgen, besteht darin, Netzarchitekturen und Lernverfahren auf eine solide mathematische Grundlage zu stellen, indem wir ihre Beziehungen zur Bayes'schen Statistik, zur Informationstheorie, zur Geometrie und zur groß angelegten Optimierung untersuchen. Darüber hinaus entwerfen wir neue Protokolle zur experimentellen Validierung von maschinellen Lernergebnissen, neue Methoden zur ökonomischen Erzeugung von Ground-Truth-Daten als Validierungsreferenz und benutzerfreundliche Softwarebibliotheken zur einfachen Reproduktion und Anwendung unserer Ergebnisse in der Praxis.

Wir freuen uns über Studierende, die das maschinelle Lernen und seine zahlreichen Anwendungen tiefer ergründen wollen. Unsere Master- und Promotionsprogramme vermitteln Ihnen sowohl grundlegende als auch fortgeschrittene Kenntnisse und Fähigkeiten, um Probleme des maschinellen Lernens und der Bildverarbeitung eigenständig zu lösen und erfolgreiche Karrieren in der Wissenschaft und der Industrie zu verfolgen. Die folgenden Kurzprofile führen Sie zu den verschiedenen Forschungsgruppen und geben nähere Informationen über unsere Tätigkeitsbereiche.