Koordinationsfonds

• Antragsteller: Professor Dr. Michael Möller
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Elektronische Halbleiter, Bauelemente und Schaltungen, Integrierte Systeme, Sensorik, Theoretische Elektrotechnik ; Kommunikationstechnik und -netze, Hochfrequenztechnik und photonische Systeme, Signalverarbeitung und maschinelles Lernen für die Informationstechnik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 459284860

Das vergangene Jahrzehnt hat gezeigt, dass eine große Mehrheit von Visual Computing Problemen eine signifikant bessere Lösung zulassen, wenn die vollständige visuelle Datenanalyse in einem Schritt gelernt wird: Die Ära des Deep Learnings hat so vorherige sequentielle Datenverarbeitungsansätze, in denen geeignete Merkmale per Hand modelliert und in einem zweiten Schritt ein Lernverfahren für die Analyse bzw. Klassifikation verwendet wird, nahezu vollständig abgelöst. Dieses sogenannte end-to-end Lernen betrachtet jedoch die von einem Sensorsystem gelieferten Bilddaten als Anfang der Prozesskette. Diese Betrachtung vernachlässigt, dass die Bilddaten selbst das Resultat eines vorgelagerten Prozesses mit vielen Designentscheidungen und adaptiven Kontrollmöglichkeiten im zugrundeliegenden Sensorsystem sind. Entsprechend stellen auch heutige end-to-end Lernverfahren im Wesentlichen noch sequentielle Verfahren dar, in denen zunächst ein Sensorsystem entworfen und, in einem zweiten separaten Schritt, die damit aufgenommenen Daten anschließend analysiert werden. Das Ziel der "Learning to Sense" (L2S) Forschungsgruppe ist es, die Designparameter des Sensorsystems gemeinsam mit dem für die Analyse zuständigen Netzwerk für konkrete Aufgaben zu optimieren. Hierzu wird eine durchgängige end-to-end Methodik für das maschinelle Lernen von Sensorsystemen entstehen, die für spezifischen Nutzungsanwendungen optimiert sind. Entsprechend wird das L2S Projekt Grundlagenforschung in beiden Bereichen, der Sensorsystementwicklung und dem maschinellen Lernen, durchführen: Sensorsysteme müssen adaptiv gestaltet werden, um vielversprechende Freiheitsgrade für die Optimierung zu generieren, und Methoden des Maschinellen Lernens müssen so entwickelt werden, dass Parameter eines neuronalen Netzwerkes gemeinsam mit adaptiven Sensorsystemparametern optimiert werden können. Langfristig entsteht so eine neue Methodik für die gemeinsame Entwicklung von Sensorsystemen und datenanalysierenden Netzwerken mit optimalen Charakteristiken für konkrete Aufgaben. Die resultierenden Systeme werden eine substantiell effizientere und präzisere Szenenanalyse erlauben und manuelle Eingriffe in Designentscheidungen des Sensorsystems minimieren.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 5336: KI-FOR Lernen optimaler Bilddatensensorik