DOI Kapitel:
C. Förderung des wissenschaftlichen Nachwuchses
DOI Kapitel:II. Das WIN-Kolleg
DOI Kapitel:Fünfter Forschungsschwerpunkt „Neue Wege der Verflechtung von Natur- und Geisteswissenschaften“
DOI Kapitel:2.Künstliches und künstlerisches Sehen. Computer Vision und Kunstgeschichte in methodisch-praktischer Zusammenarbeit
DOI Seite / Zitierlink: https://doi.org/10.11588/diglit.55651#0297
C. Förderung des wissenschaftlichen Nachwuchses
die eine unüberwachte Auswertung ohne die Notwendigkeit von gelabelten Da-
ten erlaubt. Die Modifikation des Interfaces steht nun im Vordergrund der dritten
Phase.
Obwohl die Auswertungen auf dem bestehenden Interface sehr zufrieden-
stellend waren, sind die Laufzeit und die Notwendigkeit von annotierten Daten
Aspekte, die einer Optimierung bedürfen. Die Gruppe hat begonnen die Algorith-
mik des bestehenden Interfaces auf Basis der CNNs zu modifizieren. Im Gegen-
satz zum bestehenden Ansatz sollen anstatt einzelner Bildregionen gesamte Bilder
betrachtet werden. Die Auswertung geschieht unüberwacht, das heißt gelabelte
Daten werden nicht benötigt. Der Einsatz von neuronalen Netzwerken ermög-
licht die Analyse von größeren Datensätzen und führt zu einer verkürzten Laufzeit
der Suche. Die Bedienungsweise des Interfaces bleibt weiterhin bestehen, wobei
die kurze Suchzeit eine unmittelbare Interaktion mit dem Benutzer ermöglicht.
Zukünftig steht vor allem die Auswertung der Gegenwartskunst im Fokus; diese
wird auf dem optimierten Webinterface erfolgen.
Im Rahmen des Workshops „(Art-)History goes Digital“ (Bayerische Aka-
demie der Wissenschaften, Juli 2017), auf der internationalen Konferenz „Digital
Humanities“ in Montreal (August 2017) und der „Art + Science Conferences on
Empirical Methods in Art History and Visual Studies“ in Wien (November 2017)
präsentierte man die Ergebnisse des Projekts einem Fachpublikum. Studierende
der Universität Heidelberg wurden im Sommersemester 2017 zudem im Prose-
minar „Digitale Bildverarbeitung in den Geisteswissenschaften“ an verschiedene
Möglichkeiten der Bildverarbeitung herangeführt (Bsp.: „Generative Adversari-
al Networks“), während ein internationaler wissenschaftlicher Nachwuchs auf
der European Summer University in Leipzig einen vom Projekt mitorganisier-
ten zehntägigen Workshop zu Computer Vision in der Kunstgeschichte besuchen
konnte.
Veröffentlichungen
Bautista, M., Sanakoyeu, A. und Ommer, B. (2017): Deep Unsupervised Similarity Learning
using Partially Ordered Sets. The IEEE Conference on Computer Vision and Pattern
Recognition (CVPR).
Milbich, T. et al. (2017): Unsupervised Video Understanding by Reconciliation of Postu-
re Similarity. Proceedings of the IEEE International Conference on Computer Vision
(ICCV).
Ufer, N. und Ommer, B. (2017): Deep Semantic Feature Matching. Proceedings of the IEEE
Conference on Computer Vision and Pattern Recognition (CVPR).
298
die eine unüberwachte Auswertung ohne die Notwendigkeit von gelabelten Da-
ten erlaubt. Die Modifikation des Interfaces steht nun im Vordergrund der dritten
Phase.
Obwohl die Auswertungen auf dem bestehenden Interface sehr zufrieden-
stellend waren, sind die Laufzeit und die Notwendigkeit von annotierten Daten
Aspekte, die einer Optimierung bedürfen. Die Gruppe hat begonnen die Algorith-
mik des bestehenden Interfaces auf Basis der CNNs zu modifizieren. Im Gegen-
satz zum bestehenden Ansatz sollen anstatt einzelner Bildregionen gesamte Bilder
betrachtet werden. Die Auswertung geschieht unüberwacht, das heißt gelabelte
Daten werden nicht benötigt. Der Einsatz von neuronalen Netzwerken ermög-
licht die Analyse von größeren Datensätzen und führt zu einer verkürzten Laufzeit
der Suche. Die Bedienungsweise des Interfaces bleibt weiterhin bestehen, wobei
die kurze Suchzeit eine unmittelbare Interaktion mit dem Benutzer ermöglicht.
Zukünftig steht vor allem die Auswertung der Gegenwartskunst im Fokus; diese
wird auf dem optimierten Webinterface erfolgen.
Im Rahmen des Workshops „(Art-)History goes Digital“ (Bayerische Aka-
demie der Wissenschaften, Juli 2017), auf der internationalen Konferenz „Digital
Humanities“ in Montreal (August 2017) und der „Art + Science Conferences on
Empirical Methods in Art History and Visual Studies“ in Wien (November 2017)
präsentierte man die Ergebnisse des Projekts einem Fachpublikum. Studierende
der Universität Heidelberg wurden im Sommersemester 2017 zudem im Prose-
minar „Digitale Bildverarbeitung in den Geisteswissenschaften“ an verschiedene
Möglichkeiten der Bildverarbeitung herangeführt (Bsp.: „Generative Adversari-
al Networks“), während ein internationaler wissenschaftlicher Nachwuchs auf
der European Summer University in Leipzig einen vom Projekt mitorganisier-
ten zehntägigen Workshop zu Computer Vision in der Kunstgeschichte besuchen
konnte.
Veröffentlichungen
Bautista, M., Sanakoyeu, A. und Ommer, B. (2017): Deep Unsupervised Similarity Learning
using Partially Ordered Sets. The IEEE Conference on Computer Vision and Pattern
Recognition (CVPR).
Milbich, T. et al. (2017): Unsupervised Video Understanding by Reconciliation of Postu-
re Similarity. Proceedings of the IEEE International Conference on Computer Vision
(ICCV).
Ufer, N. und Ommer, B. (2017): Deep Semantic Feature Matching. Proceedings of the IEEE
Conference on Computer Vision and Pattern Recognition (CVPR).
298