BMVC Workshop
Der Workshop umfasste Hauptvorträge renommierter Sprecher:
- Jiří Matas, Leiter der Visual Recognition Group am Center for Machine Perception, CTU Prag, präsentierte „Robust Recognition with Image Decomposition“ (Robuste Erkennung mit Bildzerlegung) und untersuchte die Trennung und Fusion von Hintergrund- und Vordergrundinformationen bei der Bildklassifizierung.
- Petra Bevandić, Postdoktorandin an der Universität Bielefeld, erörterte in ihrem Vortrag „Addressing Incompatible Taxonomies for Effective Multi-Dataset Training“ Strategien zur Angleichung von Taxonomien bei unterschiedlichen Annotierungsrichtlinien für Datensätze (Umgang mit inkompatiblen Taxonomien für ein effektives Training mit mehreren Datensätzen).
- Toby Breckon, Professor an der Durham University, gab Einblicke in „Object-wise Out of Distribution & Anomaly Detection Meets Real-World Complexity“, angewandt auf die praktische Aufgabe der Flughafen-Sicherheitskontrollen (Objektweise OOD und Anomaliedetektion trifft auf Komplexität der Realen Anwendung).
- Robert Geirhos, Wissenschaftler bei Google DeepMind, schloss mit „OOD Generalization with Generative Models“ (OOD-Verallgemeinerung mit generativen Modellen), indem er die menschenähnelnden Eigenschaften generativer Modelle als Klassifikatoren aufzeigte.
Es gab eine Reihe von Beiträgen zu Themen wie unüberwachte Merkmalsorthogonalisierung, hybride Erkennung von Videoanomalien und unsere kooperative Arbeit mit dem Titel „Uncertainty and Prediction Quality Estimation for Semantic Segmentation via Graph Neural Networks“ von Edgar Heinert, Stephan Tilgner, Timo Palm und Matthias Rottmann (Schätzung von Unsicherheit und Vorhersagequalität in der Semantischen Segmentierung mittels Graphneuronaler Netze). Ein Highlight war die Challenge Session zum Thema Open-World Object Detection and Tracking, in der die Teilnehmer aufgefordert wurden, KI-Modelle zu entwickeln, die in der Lage sind, Objekte in unterschiedlichen und unvorhersehbaren Umgebungen zu erkennen und zu verfolgen.
Darüber hinaus konnten wir auch unsere Arbeit „AttEntropy: On the Generalization Ability of Supervised Semantic Segmentation Transformers to New Objects in New Domains“ von Krzysztof Lis, Matthias Rottmann, Annika Mütze, Sina Honari, Pascal Fua, Mathieu Salzmann (Über die Generalisierungseigenschaften Überwachter Semantischer Segmentierungstransformer auf neue Objekte in neuen Domänen). Dies ist eine gemeinsame Arbeit der Universität Wuppertal, der EPFL Lausanne und des Samsung AI Center Toronto.