Machine Learning
Vor allem die Themen Reinforcement Learning (Bestärkendes Lernen) und Representation Learning (Repräsentationslernen) stehen im Mittelpunkt unserer Forschung. Darüber hinaus konzentrieren wir uns auf die Entwicklung von Strategien, die das Anpassungsvermögen von datengetriebenen Ansätzen an sich ändernde Bedingungen erhöhen, –diese Ansätze somit konstanter gegenüber Änderungen machen. Anwendungsgebiete sind die Bild- und Sprachverarbeitung, die autonome Navigation und Empfehlungssysteme. Wir haben uns vorgenommen, ein tiefes Verständnis für das Maschinelle Lernen, seine Konzepte und Anwendungsszenarien zu gewinnen. Dies ist die Voraussetzung, um diese neue Technologie effizient in der Praxis einzusetzen.
Um den Technologietransfer zu erleichtern, betreibt unser Kompetenzfeld das „One Stop Shop“-Machine Learning Lab (One-ML). Am One-ML bieten wir Partnern und Interessierten aus Industrie, Bildung und Gesellschaft eine Reihe von Diensten aus einer Hand. Das sind technische Coachings für das Maschinelle Lernen, Beratungsdienstleistungen zu verschiedenen Themen, die von der Theorie über die Entwicklung bis zur Implementierung reichen, bis hin zu öffentlichen Vorträgen über Chancen und Risiken des Maschinellen Lernens.
Kontakt
Projekte
Publikationen
- Laplace Approximation for Real-time Uncertainty Estimation in Object Detection 25th IEEE International Conference on Intelligent Transportation Systems (ITSC), ():, 2022. Details BIB
- SViT: Hybrid Vision Transformer Models with Scattering Transform 32nd IEEE International Workshop on Machine Learning for Signal Processing (MLSP), ():, 2022. Details BIB
- Low-Redundancy Realization of Safety-Critical Automotive Functions In MikroSystemTechnik (MST) Kongress, 2021. VDE Verlag GmbH Berlin Offenbach.. Details URL BIB
- Dynamic Texture Recognition via Nuclear Distances on Kernelized Scattering Histogram Spaces In IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pages 3755–3759, 2021. Details DOI BIB
- Neural Network and Correlation based Earth-Fault Localization utilizing a Digital Twin of a Medium-Voltage Grid In e-Energy '21: Proceedings of the Twelfth ACM International Conference on Future Energy Systems, pages 249–253, 2021. Details DOI BIB
- Draw with Me: Human-in-the-Loop for Image Restoration In the 43rd German Conference on AI, pages 245-248, 2020. Springer. Details URL BIB
- Towards a Mathematical Understanding of the Difficulty in Learning with Feedforward Neural Networks Proceedings of the 31st IEEE Conference on Computer Vision and Pattern Recognition (CVPR), ():811–820, 2018. Details BIB


