Alex Bäuerle, M. Sc.

Ich habe meine Masterarbeit am Institut für Medieninformatik 2017 abgeschlossen, bevor ich mich im Juli 2017 der Forschungsgruppe Visual Computing anschloss. Seitdem beschäftige ich mich mit Visualisierung im Bereich Artificial Intelligence.

Forschungsinteressen

  • Visualisierung Neuronaler Netze
  • Visualisierung von Trainingsdaten
  • Visualisierung von Klassifizierungsergebnissen

Lehre

Ich betreu(t)e folgende Lehrveranstaltungen:

  • Projekt/Anwendungsfach Data Visualization (fortlaufend)
  • Seminar Techniken zur visualisierung Neuronaler Netze (SS 18)
  • Interaktive Computergrafik (WS 17/18)

Projekte und Abschlussarbeiten

Ich betreue gerne Themen aus dem Bereich neuronale Netze. Hierbei interessieren mich besonders visualisierungsmöglichkeiten von Netzwerken, Trainingsergebnissen und Trainingsdaten. Gerne können wir jedoch auch über andere Themen im Bereich neuronaler Netze per Mail oder bei einem Besuch in meinem Büro spechen.

Wichtig: Die untenstehende Auswahl an offenen Projekten ist nur eine Subset der Möglichkeiten. Die Umsetzung eigener Ideen ist immer möglich. Außerdem habe ich meistens auch noch ein paar Ideen in der Hinterhand. Es lohnt sich also meistens, ein persönliches Gespräch zu vereinbaren.

Offene Themen

  • Fibril Reconstruction

    Die Analyse von Fibrillenstrukturen ist für Biochemiker ein wichtiges Mittel, Eigenschaften und Krankheiten des Menschen zu verstehen und zu analysieren. Nachdem proben dieser Fibrillen mithilfe von Mikro-CT gescannt wurden, wird versucht, deren chemische Zusammensetzung zu analysieren und ihre dreidimensionale Form zu rekonstruieren.

    Momentan wird diese Rekonstruktion anhand einiger parameter der Scans durch ein Programm erstellt. Hierbei müssen jedoch einige Vorverarbeitungsschritte absolviert werden. Daher soll in dieser Arbeit ein neuronales Netz trainiert werden, um diese Rekonstruktion zu automatisieren und, wo möglich, deren Qualität zu verbessern.

  • CompareNN

    Neuronale Netze haben sich seit ihrer Einführung stark entwickelt. Verschiedene Architekturen führten zu immer weiteren Verbesserungen. Neue Technologien und Probleme haben sich entwickelt. Diese zu vergleichen ist kompliziert und erfordert einiges an Recherche, vor allem, wenn sie nicht auf dem selben Datensatz trainiert wurden.

    Diese Arbeit sollte eine geschichtliche Übersicht über die Verschiedenen Techniken und Architekturen geben. Vergleiche verschiedener Eigenschaften sollten ein zentraler Punkt der zu entwickelnden Visualisierung sein. Um das Ergebnis öffentlich zugänglich machen zu können, sollten Web-Technologien verwendet werden.

  • PointNet Visualization

    PointNets werden für das Training neuronaler Netze auf Punktwolken verwendet. Während es für Bildbasierte Netze schon einige Visualisierungstechniken gibt, fehlen diese für PointNets noch weitestgehend.

    In dieser Arbeit sollten solche Visualisierungen entwickelt werden. Dies beinhaltet recherche zu existierenden Techniken für Bildbasierte Netze, wie auch die elaboration neuer Visualisierungsmöglichkeiten für PointNets.

Abgeschlossene Arbeiten

  • Breath Compensation

    Diese Masterarbeit wird in Kooperation mit dem Zentrum für Translationale Bildgebung durchgeführt. Bei Eingriffen zur Transkatheter-Aortenklappenimplantation wird der Patient während der Operation mit bildgebenden Verfahren überwacht. Hierbei wird oft ein Overlay wichtiger Organe verwendet, um dem Operateur zu helfen. Da der Patient jedoch während des Eingriffes atmet, ist dieses Overlay nicht immer an der richtigen Stelle.

    Um dies zu kompensieren wird ein neuronales Netz trainiert, welches die vertikale Bewegung des Brustbereiches erkennen, und somit das Overlay neu positionieren kann.

  • Crossover Detection

    In kooperation mit dem Institut für Proteinbiochemie zielte dieses Projekt darauf ab, automatisch Überkreuzungspunnkte auf Mikro-CT scans zu erkennen. Diese Merkmale sind für eine Analyse und Rekonstruktion der gescannten Fibrillen wichtig.

    Um eine solche lokalisierung zu automatisieren, wurde in diesem Studentenprojekt ein neuronales Netz zur semantischen Segmentierung der Bilder trainiert.