Header
  • Daniela Handl - Grußwort und Kurzvorstellung des Gastgebers Volume Graphics GmbH
  • Benjamin Becker - 3D-Bildanalyse: eine Einführung anhand von Aufgabenstellungen aus der Praxis
  • Jörg Habersetzer - Visualisierung und Bildanalyse von Fossilien
  • Christoph Poliwoda - Analyse der Qualität und Zuverlässigkeit von aus CT-Daten gewonnenen Materialoberflächen: Ein Forschungsprojekt in Kooperation mit der PTB
  • Klaus H. Maier-Hein - Lernverfahren in der 3D-Bildanalyse
  • Filip Sadlo - Neue Visualisierungsverfahren
  • Joachim Ohser/Katja Schladitz - Mikrostrukturanalyse anhand von 3D-Bilddaten
  • Heiko Andrä - Direkte numerische Simulation von Materialeigenschaften auf 3D-Bilddaten von porösen Materialien und Verbundwerkstoffen
  • … - Abschlussdiskussion mit allen Referenten
  • Lernverfahren in der 3D-Bildanalyse
    •
  • Atari 2600: Breakout
    •
  • Rosenblatt‘s Perzeptron (1958)
    •
  • Activation functions
    •
  • Back propagation
    •
  • Gradient descent
    •
  • Convolutions
    •
  • Back propagation (1989)
    •
  • Objekte in Bildern erkennen
    •
  • Since then … Internet - Massively parallel data processing
    •
  • GoogLeNet: Tiefes Netzwerk (2014)
    •
  • 2011: Computer erkennen Verkehrsschilder besser als Menschen
    •
  • 2014: ImageNet
    •
  • Abstraktionsebenen im Netz
    •
  • Bildbeschreibungen
    •
  • Repräsentation von Stil und Inhalt
    •
  • Inceptionism
    •
  • State-of-the-art (3D) segmentation: U-Net
    •
  • Lernverfahren in der 3D-Bildanalyse -- aktuelle Ansätze --
    •
  • Examplary scenario: 3D Tractography
    •
  • Ansatz: Learning from simulations
    •
  • Ansatz: Pseudo-3D segmentation using ensembles of 2D networks
    •
  • Ansatz: Regression Tractography orientation mapping
    •
  • Examplary scenario: Breast MRI
    •
  • Ansatz: End-to-end learning
    •
  • Ansatz: Transfer learning
    •
  • Examplary scenario: Bone segmentation
    •
  • Ansatz: Self-supervised learning
    •
  • Examplary scenario: Prostate Cancer Detection
    •
  • Ansatz: Adversarial Networks
    •