Inhalt

Durch die Verfügbarkeit von Programmierschnittstellen, wie CUDA, ist es möglich, die Rechenleistung moderner Grafikkarten für eine Vielzahl von Anwendungen nutzbar zu machen. Lernende Computer-Vision-Systeme können durch die inhärente feinkörnige Parallelität besonders gut durch die parallele Hardware bescheunigt werden: Viele Algorithmen beziehen sich auf einzelne Bildregionen, die zumindest anfangs unabhängig voneinander verarbeitet werden können.

Beschleunigungsfaktoren im Bereich von zwei Größenordnungen ermöglichen es sehr große Datenmengen (z.B. die der Pascal Visual Object Classes Challenge, s.u.) zu verarbeiten und Klassifikatoren länger zu trainieren. Beim Experimentieren mit Lernalgorithmen sind die Wartezeiten drastisch kürzer.

In der Projektgruppe sollen im Praktikumsteil verschiedene Lernverfahren aus dem Bereich der visuellen Mustererkennung mit CUDA implementiert werden.

Im Seminarteil wird der Stand der Forschung im Bereich der Lernverfahren für visuelle Wahrnehmung beleuchtet.

Vorraussetzungen

• Programmierkenntnisse in C/C++ oder einer anderen objektorientierten Programmiersprache
• Vorkenntnisse im Bereich Künstliche Intelligenz und maschinelles Lernen sind von Vorteil.