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

  • Neural Network Visualization
  • Explainable AI
  • AI Fairness

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

  • CAV Sanity

    Concept Activation Vectors (CAVs) werden dazu benutzt, herauszufinden, ob bestimmte Konzepte wichtig für eine Klassifikation sind. Man erhält solche CAVs, indem man ein Set an Beispiel-Daten in Konzept-Beispiele und Gegenbeispiele unterteilt. Repräsentieren diese Vektoren immer das, was wir von ihnen erwarten?

  • Explaining Reinforcement Learning

    Reinforcement Learning ermöglicht sehr interessante Applikationen. Durch die Anwendung im Kontext der Robotik, Brettspielen und sogar modernen Videospielen erlangte es breite Aufmerksamkeit.

    Leider werden diese Prozesse und deren Ergebnisse momentan nicht einheitlich visualisiert. Ein Tool, welches solche Visualisierungen bereit stellt, könnte Experten und Novizen neue Einblicke in diese Techniken bieten.

  • 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. Wichtig ist, dass hierbei die konzeptuellen Unterschiede dieser Architekturen verständilch erklärt werden. 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

  • Respiratory Motion Detection

    Diese Masterarbeit von Christoph Baldauf mit dem Titel "Convolutional Neural Networks (CNN) Applied to Respiratory Motion Detection" wurde 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 wurde 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.

Publikationen

2019

3.
[English] C. Baldauf, A. Bäuerle, T. Ropinski, V. Rasche and I. Vernikouskaya, "Convolutional neural network (CNN) applied to respiratory motion detection in fluoroscopic frames", International Journal of Computer Assisted Radiology and Surgery, vol. 14, pp. 14-15, Mai 2019.
DOI: 10.1007/s11548-019-01969-3
https://www.uni-ulm.de/fileadmin/website_uni_ulm/iui.inst.100/institut/Papers/viscom/2019/CNN_applied_to_respiratory_motion_detection.pdf
2.
A. Bäuerle and T. Ropinski, "Net2Vis: Transforming Deep Convolutional Networks into Publication-Ready Visualizations", arXiv:1902.04394, 2019. https://arxiv.org/abs/1902.04394.
1.
A. Bäuerle, H. Neumann and T. Ropinski, "Training De-Confusion: An Interactive, Network-Supported Visual Analysis System for Resolving Errors in Image Classification Training Data", arXiv:1808.03114, 2019. https://arxiv.org/abs/1808.03114.