Heidelberger Akademie der Wissenschaften [Editor]
Jahrbuch ... / Heidelberger Akademie der Wissenschaften: Jahrbuch 2022
— 2023
Cite this page
Please cite this page by using the following URL/DOI:
https://doi.org/10.11588/diglit.67410#0041
DOI chapter:
A. Das akademische Jahr 2022
DOI chapter:II. Wissenschaftliche Vorträge
DOI article:Brox, Thomas: Wie Deep Learning die Bildbearbeitung verändert hat
DOI Page / Citation link: https://doi.org/10.11588/diglit.67410#0041
- Schmutztitel
- Titelblatt
- 5-10 Inhaltsverzeichnis
-
11-172
A. Das akademische Jahr 2022
-
11-37
I. Jahresfeier am 21. Mai 2022
- 11-12 Begrüßung durch den Präsidenten Bernd Schneidmüller
- 13-15 Grußwort des Präsidenten der Akademie von Athen Antonios Rengakos
- 16-22 Verantwortung und das Prinzip von Wissenschaft. Bericht des Präsidenten
- 23-24 Kurzbericht des Sprechers des WIN-Kollegs Martin Fungisai Gerchen
- 36-37 Verleihung der Preise
-
38-101
II. Wissenschaftliche Vorträge
-
102-172
III. Veranstaltungen
- 102-106 Academy for Future – Klimakrise: Warum müssen wir jetzt handeln? Öffentliche Veranstaltungsreihe der Arbeitsgruppe „Klimakrise“
- 106-108 Akademievorträge. Gemeinsame Vortragsreihe der Heidelberger Akademie der Wissenschaften mit der Württembergischen Landesbibliothek
-
109-121
Mitarbeitervortragsreihe „Wir forschen. Für Sie“
- 126 Internationale Kooperation mit der Estnischen Akademie der Wissenschaften
-
127
Verleihung des Reuchlinpreises 2022 an die Islamwissenschaftlerin Katajun Amirpur
- 147-151 Sebestyén, Ágnes; Weber, Andreas: Netzwerktreffen mit Postdoktorandinnen und Postdoktoranden des Eliteprogramms der Baden-Württemberg Stiftung. 14. und 15. November 2022
-
151-170
Verleihung des Karl-Jaspers-Preises 2022 an den Philosophen Volker Gerhardt
-
11-37
I. Jahresfeier am 21. Mai 2022
- 173-241 B. Die Mitglieder
-
243-356
C. Die Forschungsvorhaben
- 243-244 I. Forschungsvorhaben und Arbeitsstellenleitung
-
245-347
II. Tätigkeitsberichte
- 245-249 1. Deutsche Inschriften des Mittelalters
- 249-255 2. Deutsches Rechtswörterbuch
- 255-262 3. Goethe-Wörterbuch (Tübingen)
- 262-265 4. Melanchthon-Briefwechsel
- 265-270 5. Edition literarischer Keilschrifttexte aus Assur
- 270-278 6. Buddhistische Steinschriften in Nordchina
- 278-293 7. The Role of Culture in Early Expansions of Humans (Frankfurt und Tübingen)
- 294-299 8. Nietzsche-Kommentar (Freiburg)
- 300-309 9. Klöster im Hochmittelalter
- 309-312 10. Der Tempel als Kanon der religiösen Literatur Ägyptens (Tübingen)
- 313-316 11. Kommentierung der Fragmente der griechischen Komödie (Freiburg im Breisgau)
- 317-320 12. Karl-Jaspers-Gesamtausgabe (KJG)
- 320-326 13. Historisch-philologischer Kommentar zur Weltchronik des Johannes Malalas
- 326-333 14. Religions- und rechtsgeschichtliche Quellen des vormodernen Nepal
- 333-339 15. Theologenbriefwechsel im Südwesten des Reichs in der Frühen Neuzeit (1550–1620)
- 339-345 16. Hinduistische Tempellegenden in Südindien
- 345-347 17. Wissensnetze in der mittelalterlichen Romania (ALMA)
- 348-354 III. Drittmittelgeförderte Projekte
- 355-356 IV. Kooperationsprojekte
-
357-434
D. Förderung des wissenschaftlichen Nachwuchses
- 357-372 I. Preise der Akademie
- 373 II. Die Junge Akademie | HAdW
- 374-376 III. Das WIN-Kolleg der Jungen Akademie | HAdW
- 414 IV. Das Akademie-Kolleg der Jungen Akademie | HAdW
-
435-455
E. Anhang
-
435-439
I. Organe, Mitglieder, Institutionen
- 435-436 Vorstand und Geschäftsstelle
- 436 Personalrat / Ombudsperson „Gute wissenschaftliche Praxis“ / Ombudsperson „Partnerschaftliches Miteinander“ / Union der deutschen Akademien der Wissenschaften
- 437 Vertreter der Akademie in Kommissionen der Union / Vertreter der Akademie in anderen wissenschaftlichen Institutionen
- 438 Verein zur Förderung der Heidelberger Akademie der Wissenschaften e.V.
- 439 Tabula Mortuorum 2022
- 440 II. Gesamthaushalt 2022 der Heidelberger Akademie der Wissenschaften
- 441-446 III. Publikationen
-
435-439
I. Organe, Mitglieder, Institutionen
- 447-455 Personenregister
Thomas Brox
Decoder
Encoder
(Analyse)
conv 3x3, ReLU
copy and crop
J max pool 2x2
J up-conv 2x2
» conv 1x1
Skip
Connections
Abb. 2: U-Net Netzwerkarchitektur
zu einem wichtigen Faktor geworden. Nur wer viele und diverse Daten zur Ver-
fügung hat, kann auch die besten Modelle trainieren. Deutschland hat mit seinen
besonders strengen Datenschutzregeln insbesondere in Bezug auf Bilddaten hier
sicherlich einen Standortnachteil.
Deep Learning sieht ein bisschen nach einem Zauberstab aus, mit dem man
alles herbeizaubern kann. So ist das natürlich nicht. Inzwischen versteht man die
Abläufe etwas besser als noch zu Beginn, auch wenn noch einiges offen ist. Ins-
besondere aus der eben geschilderten Tatsache, dass große Modelle immer besser
funktionieren als kleinere, ergibt sich die Frage, wie viel sich durch Auswendig-
lernen der Daten erklären lässt. Bei der Aufgabe, aus einem einzelnen Bild die 3D
Form des Objekts zu rekonstruieren, konnten wir beispielsweise die Ergebnisse
sehr gut mit klassischen Ansätzen erklären, etwa mit Retrieval in den Trainings-
daten oder einer Variante, die die ähnlichsten Formen zu Clustern zusammenfügt
und dann nur noch ein Erkennungsnetzwerk lernt, das den besten Cluster aus-
sucht.
Ein kritischer Aspekt in der Praxis ist die fehlende Robustheit tiefer Netz-
werke gegenüber kleinen Änderungen in den Daten. Man fand heraus, dass sehr
kleine, unsichtbare Veränderungen im Bild das Ergebnis komplett ändern können.
Diese fehlende Stabilität ist eine große Hürde bei sicherheitsrelevanten Anwen-
dungen, die man inzwischen zwar ein bisschen besser aber noch nicht komplett
im Griff hat.
41
Decoder
Encoder
(Analyse)
conv 3x3, ReLU
copy and crop
J max pool 2x2
J up-conv 2x2
» conv 1x1
Skip
Connections
Abb. 2: U-Net Netzwerkarchitektur
zu einem wichtigen Faktor geworden. Nur wer viele und diverse Daten zur Ver-
fügung hat, kann auch die besten Modelle trainieren. Deutschland hat mit seinen
besonders strengen Datenschutzregeln insbesondere in Bezug auf Bilddaten hier
sicherlich einen Standortnachteil.
Deep Learning sieht ein bisschen nach einem Zauberstab aus, mit dem man
alles herbeizaubern kann. So ist das natürlich nicht. Inzwischen versteht man die
Abläufe etwas besser als noch zu Beginn, auch wenn noch einiges offen ist. Ins-
besondere aus der eben geschilderten Tatsache, dass große Modelle immer besser
funktionieren als kleinere, ergibt sich die Frage, wie viel sich durch Auswendig-
lernen der Daten erklären lässt. Bei der Aufgabe, aus einem einzelnen Bild die 3D
Form des Objekts zu rekonstruieren, konnten wir beispielsweise die Ergebnisse
sehr gut mit klassischen Ansätzen erklären, etwa mit Retrieval in den Trainings-
daten oder einer Variante, die die ähnlichsten Formen zu Clustern zusammenfügt
und dann nur noch ein Erkennungsnetzwerk lernt, das den besten Cluster aus-
sucht.
Ein kritischer Aspekt in der Praxis ist die fehlende Robustheit tiefer Netz-
werke gegenüber kleinen Änderungen in den Daten. Man fand heraus, dass sehr
kleine, unsichtbare Veränderungen im Bild das Ergebnis komplett ändern können.
Diese fehlende Stabilität ist eine große Hürde bei sicherheitsrelevanten Anwen-
dungen, die man inzwischen zwar ein bisschen besser aber noch nicht komplett
im Griff hat.
41