Seminar
'Algorithmen für Fahrerassistenzsysteme'
(SS 2017)

Seminartermine und Regeln

Überblick über alle Seminartermine und Spielregeln.

Vortragstermine

Überblick über alle Vortragstermine und -themen.

Themen

  1. Convolutional Neural Networks (CNN)

    • Teilnehmer sollten den Aufbau eines CNN und die verschiedenen Schichtenarten kennen
    • Es soll eine Intuition vermittelt werden, wieso CNN so erfolgreich für Bildverarbeitungsaufgaben sind
    Einstiegspunkte:


  2. Reinforcement Learning

    • Seminarteilnehmer sollen den grundlegenden Unterschied des Reinforcement Learning zu anderen Lernansätzen wie das unüberwachte (unsupervised) und das überwachte (supervised) Lernen verstehen. Hierzu am besten konkrete Beispiele präsentieren.
    • Grundlegende Begriffe beim Reinforcement Learning wie z.B. das Temporal Difference Learning und Q-Learning sollen vermittelt werden
    • Es soll auch kurz auf entsprechende biologische Mechanismen des Verstärkungslernens eingegangen werden
    Einstiegspunkte:


  3. Support Vector Machines (SVM)

    • Seminarteilnehmer sollen wissen, was die Idee hinter SVM ist.
    • Die Teilnehmer sollten die mathematischen Grundlagen zu SVMs kennen und wissen, was der Kernel-Trick ist.
    Einstiegspunkte:


  4. Boosting

    • Seminarteilnehmer sollen verstehen, wie der Boosting Ansatz zur Klassifikation von Mustern genutzt werden kann.
    • Es sollte erklärt werden, wie man schrittweise aus schwachen Klassifikatoren einen starken Klassifikator erlernen kann.
    Einstiegspunkte:


  5. Traffic Sign Recognition 1

    • Seminarteilnehmer sollen verstehen, wie der im Paper vorgestellte Ansatz zur Detektion (Lokalisation) und Klassifikation von Verkehrsschildern funktioniert.
    Einstiegspunkte:


  6. Traffic Sign Recognition 2

    • Seminarteilnehmer sollen verstehen, wie der Ansatz funktioniert, der den German Traffic Sign Recognition Benchmark (GTSRB) 2012 gewann.
    Einstiegspunkte:


  7. Person detection 1

    • Die im Paper durchgeführte Studie zum Stand der automatischen Personendetektion soll den Seminarteilnehmern dargestellt werden.
    Einstiegspunkte:


  8. Person detection 2

    • Seminarteilnehmer sollen eine Vorstellung von den verwendeten Teilmodellen GoogLeNet und LSTM erhalten und wie der im Paper vorgestellte Ansatz funktioniert, um in gedrängten Szenarien Personen zu detektieren.
    Einstiegspunkte:


  9. Object Localization

    • Seminarteilnehmer sollen verstehen wie ein CNN, das eigentlich darauf trainiert wurde Bilder zu klassifizieren, auch verwendet werden kann, um Objekte zu lokalisieren.
    Einstiegspunkte:


  10. Lane Detection 1

    • Seminarteilnehmer sollen verstehen was die Hough-Transformation ist und wie man sie nutzen kann, um Linien im Bild zu erkennen.
    • Es sollte wenn möglich Beispielcode (z.B. mittels der OpenCV in C++ oder Python) gesucht werden und ein minimales Beispielprogramm zur Liniendetektion oder sogar zur Fahrbahnspurerkennung gezeigt werden.
    Einstiegspunkte:


  11. Lane Detection 2

    • Seminarteilnehmer sollen verstehen wie das DeepLane Netzwerk Fahrbahnspuren bis auf Zentimetergenauigkeit schätzen kann.
    Einstiegspunkte:


  12. Autonomous Vehicle Control 1

    • Seminarteilnehmer sollen verstehen was ein RNN ist und wie das im Paper vorgestellte Deep Reinforcement Learning Framework funktioniert, um autonomes Fahren (in einem Simulator) zu realisieren.
    Einstiegspunkte:


  13. Autonomous Vehicle Control 2

    • Seminarteilnehmer sollen verstehen wie NVIDIA mit Hilfe eines CNN es geschafft hat, direkt aus dem Bild Fahrsignale abzuleiten - ohne die Notwendigkeit von Zwischenrepräsentationen wie z.B. Spurerkennung.
    • NVIDIAs Bemühungen auf dem Gebiet der Umfeldwahrnehmung für autonomes Fahren sollen dargestellt werden (DriveWorks)
    Einstiegspunkte:


  14. Object detection in Lidar data

    • Seminarteilnehmer sollen verstehen wie bei diesem Ansatz direkt aus volumetrischen Rohdaten heraus, Merkmale erlernt werden können, um Objekte klassifizieren zu können.
    Einstiegspunkte:


  15. Software simulators for testing ADAS algorithms

    • Seminarteilnehmer sollen ein Überblick über verfügbare freie Softwaresimulatoren zur Simulation von Fahrerassistenzalgorithmen erhalten.
    • Es soll auch dargestellt werden, wie eigene Algorithmen jeweils in einem SW-Simulator getest werden können (API?)
    • Wenn möglich, soll eine Livedemo durchgeführt werden.
    Einstiegspunkte: