Dr.-Ing. Markus Eisenbach
Contact:
Zusebau, Room 3050
Helmholtzplatz 5
98693 Ilmenau
+49 (0)3677 69-4169
Vita
- since 08/2019 Head of the junior research group "Machine Learning" as part of the project E4SM
- since 11/2009 Scientific staff member at the Department of Neuroinformatics and Cognitive Robotics
- 2007 Internship Fraunhofer IGD Darmstadt
- 2004 - 2009 Study of computer science at Ilmenau University of Technology
Research topics
- Main research topic: Trustworthy Machine Learning
- Machine Learning: Deep Learning, Uncertainty Estimation, Out-of-Distribution Detection, Representation Learning, Feature Selection, Distance Metric Learning, Classification
- Computer Vision: Appearance-based Person Re-Identification, Visual Features, Illumination Compensation, Background Subtraction
- Mobile Robotics: Object Recognition, Tracking, User Re-Identification
- Applications: Multi-Camera Tracking, Following & Guiding People with a Mobile Robot, Automatic Inspection of Public Infrastructure, Industrical Manufacturing Processes
Research projects
APFel (2010-2014):
- Video analysis tool for assisting human operators in airport surveillance
- Main contribution: Person re-identification for multi-camera tracking
ROREAS (2014-2016)
- Robot-assisted follow-up care of stroke patients
- Main contribution: User recognition to resolve ambiguities in tracking
ASINVOS (2016-2018)
- Analysis tool for distress detection in inspection data of public infrastructure
- Main contribution: Damage spot detection by deep learning
- ASFaLT (2018-2019)
- Follow up project of ASINVOS
- Goal: Fully automated tool for distress detection in inspection data of public infrastructure
- Main contribution: Neural network calibration, uncertainty estimation
E4SM (2019-aktuell)
- Machine learning in industrical manufacturing processes
- Head of junior research group "Machine Learning", mentoring of 2 PhD students
- Main research contribution: Uncertainty estimation, out-of-distribution detection in deep neural networks
Teaching
Office hours
Fridays (G) 13:00 Uhr
Lectures (German only)
Deep Learning for Computer Vision
(seit Wintersemester 2019/20)
zusammen mit D. Seichter, H.-M. Groß
Zeit: Fr. (G) 13:00 Uhr
Inhalte
- Was ist Deep Learning? Was kann Deep Learning? Was noch nicht?
- Frameworks
- Grundlagen zu Neuronalen Netzwerken
- Aufbau Neuronales Netzwerk
- Ausgabefunktionen
- Gewichtsinitialisierung
- Error-Backpropagation
- Optimierungsverfahren
- Regularisierung
- Multi-Layer Perceptron
- Convolutional Neural Network
- Architekturen
- ImageNet-Architekturen: AlexNet, ZFNet, VGG-Net, InceptionNet, ResNet, ResNeXt, SENet
- darauf aufbauende Architekturen: WideResNet, DenseNet, InceptionResNet, XceptionNet
- Mobile Architekturen
- Ausblick auf sonstige Architekturen
- Kerntechnologien
- ReLU und Erweiterungen
- Dropout und Erweiterungen
- Datenaugmentierung
- Lernraten-Scheduling
- Ersetzung von Convolutional Filtern mit großem rezeptiven Feld durch Stapel kleinerer Filter
- Mikroarchitekturen
- Bottleneck-Blöcke
- Global Average Pooling
- Batch Normalization und Erweiterungen
- Residual-Block
- Skip Connections
- Grouped Convolutions, Depthwise Separable Convolutions
- Squeeze-and-Excitation-Block
- Stochastic Depth
- Anwendungen
- Detektion
- Segmentierung
- Posenerkennung
- Wiedererkennung
- Kerntechnologien
- Region Proposal
- Fully Convolutional Neural Network
- moderne Fehlerfunktionen
- Anwendung auf eigene Problemstellung
- Umgang mit Daten
- Auswahl geeigneter Architektur und Technik
- Transfer Learning
- Bewertungsmaße
- Typische Probleme und abzuleitende Schlussfolgerungen (Best Practice Guide)
- aktuelle Forschungsfragen
Seminare
(seit Sommersemester 2014)
Zeit: Mo. (G) 17:00 Uhr
Inhalte
- Module eines Mustererkennungsystems
- Merkmalstransformation
- Merkmalsselektion
- Leistungsbewertung von Klassifikatoren
- Ensemble Learning
- Techniken zur Repräsentation von Zeit
- Information Fusion
Mensch-Maschine-Interaktion
(Wintersemester 2016/17)
Inhalte
- Bildvorverarbeitung (Integralbild, Gaborfilter)
- Hauptkomponentenanalyse (PCA)
- Personendetektion (Eigenfaces, HOG)
- Leistungsbewertung von Detektoren
- Personentracking mittels Partikelfilter
- Wiedererkennung von Personen
- Hidden-Markov-Modell (HMM)
Technische Informatik
(Wintersemester 2014/15, 2015/16)
Inhalte
- Zahlensysteme
- Grundrechenarten im Dualsystem
- Logische Schaltungen
- Boolsche Algebra
- Darstellung negativer Zahlen
- Zahlencodierungen (BCD, Aiken, 3XS)
- Gleitkommazahlen
- Assemblerbefehle
- Turing-Maschine