Logo PTB

Deep Learning

Arbeitsgruppe 8.42

Übersicht

Unter “Deep Learning” versteht man Methoden des maschinellen Lernens, bei denen neuronale Netze verwendet werden, die über viele Schichten verfügen. Diese Methoden werden etwa für Klassifikationsaufgaben oder für die Approximation von Funktionen verwendet. Neuronale Netze sind vielfältig einsetzbar und außerordentlich leistungsfähig, Anwendungsbeispiele sind das autonome Fahren, computer-gestützte Diagnose von Krankheiten, oder die automatische Segmentierung von Bildern. Für den Einsatz von „Deep Learning” in der Metrologie ist es entscheidend, dessen Zuverlässigkeit besser verstehen und bewerten zu können. Ein wichtiger Aspekt ist dabei die Quantifizierung von Unsicherheiten. Modelle, die in der Metrologie verwendet werden, sind üblicherweise gut verstanden und basieren auf physikalischem Verständnis. Neuronale Netze hingegen erlernen eine Assoziation auf Basis von Daten. Ein weiterer Aspekt aus metrologischer Sicht ist es daher, ein Verständnis für das Verhalten der so gebildeten Assoziation zu gewinnen.

Beispiel für eine Regression mittels eines Neuronalen Netzes inklusive Unsicherheitsbestimmung.

Forschung

Ein Fokus in der PTB Arbeitsgruppe 8.42 ist die Entwicklung von Methoden der Erklärbarkeit und Quantifizierung von Unsicherheiten für Ergebnisse von „Deep Learning“. Eine aktuelle Entwicklung ist dabei die Anwendung der Fisher Information zur Detektion von sog. „adversarial examples”. Das Verständnis des Verhaltens neuronaler Netze für diese speziell konzipierten Eingangsdaten ist wichtig, um die Zuverlässigkeit der neuronalen Netze beurteilen und verbessern zu können. Ein anderer Schwerpunkt der Arbeiten liegt in der Anwendung von Methoden des „Deep Learning“ in der Metrologie. Beispiele hierfür sind die Bewertung der Bildqualität in der Röntgendiagnostik oder der computer-gestützten Formbestimmung optischer Oberflächen.

Software

Publikationen

L. Hoffmann, I. Fortmeier;C. Elster
Machine Learning: Science and Technology,
2021.
J. Martin;C. Elster
Appl Intell,
2020.
T. Kretz
PhD Thesis
, 2020
L. Hoffmann;C. Elster
Journal of Sensors and Sensor Systems, 9
301--307,
2020.
T. Kretz, K.-R. Müller, T. Schäffter;C. Elster
IEEE Transactions on Biomedical Engineering,
2020.
J. Martin;C. Elster
Neurocomputing, 382
80--86,
2020.
Export als:
BibTeX, XML

Preprints