Fraunhofer-Allianz Big Data
und Künstliche Intelligenz
Fraunhofer-Allianz Big Data
und Künstliche Intelligenz

Image and Video Understanding

Bilder enthalten reiche Information, die aber auch kompliziert zu extrahieren ist. Meist liegen wenig Metadaten vor und erst der Kontext liefert Hinweise auf die Bedeutung. Daraus ergeben sich spezifische Schwierigkeiten, Modelle des Bildverstehens zu lernen. Ausgehend von Methoden des überwachten Lernens lernen Sie auch Verfahren kennen, die mit wenigen Trainingsbeispielen auskommen und erfahren, wie man unbalancierten Trainingsdaten umgehen kann. Die Vorerfahrungen und praktischen Erfordernisse der Teilnehmer können bei der konkreten Themenauswahl berücksichtigt werden.

Zielgruppe: Data Scientists und Analysten, die ihre Fähigkeiten zur Auswertung von Bildern und Videos ausweiten wollen. Softwareentwickler/-architekten, die Lösungen für analytische Fragestellungen entwickeln.

Voraussetzungen: Kurs „Applied Deep Learning“ oder äquivalente Qualifikation

Sprache: Vorträge in Deutsch, Material in Englisch

Abschluss: Der Kurs ist Vertiefungsmodul für das Zertifikat »Data Scientist Specialized in Deep Learning« 

Inhalt

Tag 1

  • Bildanalyse mit Expertenwissen: Merkmalsdesign, Merkmalsextraktion, Klassifikation
  • Wann hilft was? Experten-Modellierung vs. Merkmalslernen mit Deep Learning
  • Segmentierung von Objekten mit Faltungsnetzen
  • Objekterkennung mit Deep Learning und hybriden Methoden.
  • Bildklassifikation mit sehr tiefen Netze und Adaption vortrainierter Netze

Tag 2

  • Style-Transfer-Lernen zur Trennung von Inhalt und Darstellung
  • Gewinnung generalisierender Modelle aus wenigen Trainingsdaten 
  • Generative Netze zur Erzeugung realistischer Bilder
  • Vom Bild zum Text – Lernen aus gemischten Datenquellen
  • Video-Analyse mit rekurrenten tiefen Architekturen 
  • Lernen spezifischer Filter zur Bildbearbeitung

Praxisphase

  • Übungen im virtuellen Lernlabor im Umfang von 2 Arbeitstagen im Zeitraum von 2 Monaten
  • Lösung/Abgabe einer vorgegebenen Aufgabe zum Nachweis der praktischen Anwendung des Gelernten

Rahmen

Das Angebot zum Gesamtpreis von 5.300 Euro beinhaltet

  • den dreitägigen Grundkurs „Applied Deep Learning“ in Sankt Augustin mit anschließender Praxisphase (ca. 3 Arbeitstage im Zeitraum von 2 Monaten), 
  • diesen zweitägigen Vertiefungskurs in Bremen mit anschließender Praxisphase (ca. 2 Arbeitstage im Zeitraum von 2 Monaten),
  • eine halbtägige Prüfung in Sankt Augustin.

Es besteht die Möglichkeit die Vertiefungen einzeln zu buchen. Bei Einzelbuchung der Vertiefung werden die Inhalte des Grundkurses vorausgesetzt. Der Einzelpreis beträgt 1.900 Euro.

Die Teilnahmegebühr ist steuerfrei gem. § 4 Nr. 22a UStG. Sie umfasst Begleitunterlagen (auf Englisch) und Verpflegung.

Bitte beachten Sie die Storno- und Teilnahmebedingungen sowie die Datenschutzerklärung.

Maximale Teilnehmerzahl: 15 

Die Anmeldungen werden in der Reihenfolge des Eingangs berücksichtigt.

Veranstaltungsort:
Fraunhofer-Institut für Bildgestützte Medizin MEVIS
Am Fallturm 1, 28359 Bremen

Termine und Anmeldung

Bitte wählen Sie für die Zertifizierung je einen Termin für den Grundkurs sowie das Vertiefungsmodul. Einzelbuchungen sind ebenfalls möglich.

* Pflichtfelder

Grundkurs »Applied Deep Learning«
Vertiefungsmodul »Image and Video Understanding«
Hinweis: Gemäß Datenschutzgrundverordnung (DSGVO) unterrichten wir Sie über die Speicherung Ihrer Daten. Die Einwilligung zur Speicherung und Nutzung Ihrer Daten erfolgt freiwillig und kann jederzeit widerrufen werden.
Stornogebühren

Referenten

Diese Schulung wird von Fraunhofer MEVIS durchgeführt.

Dr.-Ing. Markus Wenzel arbeitet seit 2005 bei Fraunhofer MEVIS an Machine-Learning-Algorithmen für klinische Fragestellungen. In dieser Zeit hat er zahlreiche Studentenarbeiten betreut und seine Dissertation zu intelligenten Methoden in der Brustkrebsdiagnostik verfasst. Er war und ist Initiator und Projektleiter mehrerer grosser internationaler Forschungsprojekte. Heute ist er besonders an der Konzeption von Projektideen beteiligt, die Cognitive-Computing- und AI-Methoden für klinisch relevante Fragestellungen einsetzen. Er erarbeitet und leitet seit vielen Jahren Schulungen für die berufsbegleitende und akademische Machine-Learning-Ausbildung.