Dr.-Ing. Markus Eisenbach

Contact:

Zusebau, Room 3050
Helmholtzplatz 5
98693 Ilmenau

+49 (0)3677 69-4169

markus.eisenbach@tu-ilmenau.de

 

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

Angewandte Neuroinformatik

(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