LEXIS Team

Das Lexis (Learning EXpert Intelligent Systems) Team ist Teil des Institutes Mess-, Regel- und Mikrotechnik der Universität Ulm.

Unsere Forschung ist motiviert durch Probleme des Maschinellen Lernens sowie des Deep Learnings. Besondere Aufmerksamkeit werden den Bereichen Maschinelles Lernen in der Robotik, Autonome Systeme, Computer Vision, medizinische Bildanalyse und künstliche Inteligenz gewidmet. Unsere Grundlagenforschung befasst sich mit Themen wie Representation Learning, Optimierung, Unsicherheitsschätzung, multimodales Lernen, Lernen mit verschiedenen Arten der Supervision (unsupervised, self-supervised), Lernalgorithmen für verrauschte Labels, Few-Shot Learning und Meta-Learning. Zusätzlich entwickeln wir Optimierungsalgorithmen für resourchenbeschränktes Maschinelles Lernen.

Anwendungsfelder unserer Ergebnisse umfassen die Zellsegmentierung in Mikroskopiebildern, das Verstehen menschlichen Verhaltens (Trajektorie, Körperpose und Aktivität) und Einsatzbereiche im autonomen Fahren. Zu den Anwendungen im Autonomen Fahren zählen Bewegungsschätzung und Lokalisierung, Objekt Detektion, Segmentierung, Posen Schätzung, Rauschunterdrückung und Neural Architektur Search.

Teammitglieder

Projekte

Publikationen

Youssef Dawoud, Julia Hornauer, Gustavo Carneiro, Vasileios Belagiannis, Few-Shot Microscopy Image Cell Segmentation, Joint European Conference on Machine Learning and Knowledge Discovery in Databases, (to appear).

Pre-print Code Bib File

Wiederer, Julian, Bouazizi, Arij, Kressel, Ulrich, Belagiannis, Vasileios, Traffic Control Gesture Recognition for Autonomous Vehicles, 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), (to appear).

In this work, we address the limitation of the existing autonomous driving datasets to provide learning data for traffic control gesture recognition. We introduce a dataset that is based on 3D body skeleton input to perform traffic control gesture classification on every time step. To evaluate our dataset, we propose eight sequential processing models based on deep neural networks such as recurrent networks, attention mechanism, temporal convolutional networks and graph convolutional networks. We present an extensive evaluation and analysis of all approaches for our dataset, as well as real-world quantitative evaluation. The code and dataset is publicly available.

Pre-print Code Data Bib File

Kontakt

Adresse

Universität Ulm
Institut für Mess-, Regel- und Mikrotechnik
Albert-Einstein-Allee 41
89081 Ulm

Ansprechpartner

Jun.-Prof. Dr. rer. nat. Vasileios Belagiannis 
Raum: 41.2.214
Telefon: +49 (0)731 50 27004
E-Mail | Homepage