Logo der Physikalisch-Technischen Bundesanstalt

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

Grundlagen:

  • Quantifizierung von Unsicherheiten
  • Bayesche Inversion mit daten-getriebenen Prioren
  • Erklärbarkeit
  • Adversarial Machine learning

Anwendungen:

  • Bewertung der Bildqualität in der Mammographie
  • Qualitative and quantitative MR-Bildgebung
  • Inverse Probleme in der Optik

Dissertationen

Software

Publikationen

Publikations Einzelansicht

Artikel

Titel: Deep learning based liquid level extraction from video observations of gas-liquid flows
Autor(en): M. Olbrich, L. Riazy, T. Kretz, T. Leonard, D. van Putten, M. Bär, K. Oberleithner;S. Schmelter
Journal: International Journal of Multiphase Flow
Jahr: 2022
DOI: https://doi.org/10.1016/j.ijmultiphaseflow.2022.104247
Marker: 8.4,8.41,Flow,ML

Zurück zur Listen Ansicht

Preprints

Publikations Einzelansicht

Artikel

Titel: Deep learning based liquid level extraction from video observations of gas-liquid flows
Autor(en): M. Olbrich, L. Riazy, T. Kretz, T. Leonard, D. van Putten, M. Bär, K. Oberleithner;S. Schmelter
Journal: International Journal of Multiphase Flow
Jahr: 2022
DOI: https://doi.org/10.1016/j.ijmultiphaseflow.2022.104247
Marker: 8.4,8.41,Flow,ML

Zurück zur Listen Ansicht