Book a Demo!
CoCalc Logo Icon
StoreFeaturesDocsShareSupportNewsAboutPoliciesSign UpSign In
Download

📚 The CoCalc Library - books, templates and other resources

132928 views
License: OTHER
Tweet
Share
Share
1
\documentclass{beamer}

2
\usetheme{Frankfurt}

3
\usecolortheme{default}

4
\usepackage{hyperref}

5
\usepackage[utf8]{inputenc} % this is needed for german umlauts

6
\usepackage[english]{babel} % this is needed for german umlauts

7
\usepackage[T1]{fontenc}    % this is needed for correct output of umlauts in pdf

8
\usepackage{booktabs}

9
\usepackage{csquotes}

10
\usepackage{siunitx}

11


12
\begin{document}

13


14
\title{Semantische Segmentierung von medizinischen Instrumenten mit Deep Learning Techniken}

15
\author{Martin Thoma}

16
\date{August 2016}

17
\subject{Computer Science}

18
\setbeamertemplate{navigation symbols}{}

19


20


21
\section{Deep Learning ist der Goldstandard für Bilderkennung}

22
\begin{frame}[plain]{Wissenschaftliche Aussage}

23
\begin{center}

24
    \only<1-2>{\textbf{Deep Learning ist der Goldstandard für Bilderkennung}}

25


26
    \uncover<2>{Was ist \enquote{Deep Learning}?}

27


28
    \only<3-4>{\textbf{Neuronale Netze sind der Goldstandard für Bilderkennung}}

29


30
    \uncover<4>{Klassifikation? Semantische Segmentierung? Detektion? Lokalisierung?}

31


32
    \only<5>{

33
    (1) Egyptian cat (2) Madagascar cat (3) soap dispenser

34
    \includegraphics*[width=0.6\linewidth, keepaspectratio]{2875184020_9944005d0d.jpg}

35


36
    Source: \href{http://farm4.static.flickr.com/3276/2875184020_9944005d0d.jpg}{http://farm4.static.flickr.com/3276/2875184020\_9944005d0d.jpg}}

37


38
    \only<6-7>{\textbf{Neuronale Netze sind der Goldstandard für Bildklassifikation}}

39


40
    \uncover<7>{Fotos, medizinische Bilder, Luftbilder, Dokumente, \dots?}

41


42
    \only<8-9>{\textbf{Neuronale Netze sind der Goldstandard für die Klassifikation von Fotos}\\}

43
    \only<9>{Goldstandard ist ein Schlagwort. Es wird [...] zur Bezeichnung von Verfahren verwendet, die bislang unübertroffen sind.\\

44
    {\tiny Quelle: \href{https://de.wikipedia.org/w/index.php?title=Goldstandard_(Verfahren)&oldid=151270928}{de.wikipedia.org/w/index.php?title=Goldstandard\_(Verfahren)\&oldid=151270928}}}

45
\end{center}

46
\end{frame}

47


48


49
\begin{frame}[plain]{Was wollen wir?}

50
    \begin{itemize}[<+->]

51
        \item Zufriedener Anwender

52
        \item Möglichst wenig / möglichst \enquote{unkritische} Fehler

53
        \item In der Bildklassifikation bei etwa gleichwahrscheinlichen Klassen:

54
              Geringer realer Fehler

55
        \item Geringer Testfehler auf sinnvollem, möglichst großem Datensatz

56
    \end{itemize}

57
\end{frame}

58


59


60
\begin{frame}[plain]{ImageNet / ILSVRC 2014}

61


62
ImageNet ist ein Datensatz mit

63
\begin{itemize}

64
    \item \num{14197122} Bildern und

65
    \item \num{21841} Klassen (non-empty synsets)

66
\end{itemize}

67


68


69


70
ILSVRC (Large Scale Visual Recognition Challenge) hatte 2014

71


72
\begin{itemize}

73
    \item \textbf{1000 Klassen}: abacus, abaya, academic gown, accordion,

74
    acorn, acorn squash, acoustic guitar, admiral, affenpinscher, Afghan hound,

75
    \dots

76
\end{itemize}

77


78
Quellen: \href{http://image-net.org/about-stats}{image-net.org/about-stats},

79
O. Russakovsky, J. Deng et al.ImageNet Large Scale Visual Recognition Challenge. IJCV, 2015

80
\end{frame}

81


82


83
\begin{frame}[plain]{ILSVRC 2010 - 2014}

84
    \begin{itemize}

85
        \item ILSVRC2010: stochastic SVM (\SI{28.2}{\percent})

86
        \item ILSVRC2011: one-vs-all linear SVMs (\SI{25.8}{\percent})

87
        \item ILSVRC2012: \textbf{AlexNet} (\SI{16.4}{\percent})

88
        \item ILSVRC2013: NN (\SI{11.7}{\percent}, Clarifai, dropout)

89
        \item ILSVRC2014: \textbf{GoogLeNet} (\SI{6.7}{\percent})\\

90
              \enquote{As in 2013 almost all teams used convolutional neural networks as the basis for their submission}

91
    \end{itemize}

92
\end{frame}

93


94
\begin{frame}[plain]{Erklärungsversuche}

95
    \begin{itemize}

96
        \item NNe lernen automatisch Feature-Hierarchien (insbesondere CNNs)

97
        \item NNe kann man beliebig genaue Trennebenen machen lassen

98
        \item NNe können gut mit vielen Klassen umgehen (Softmax-Layer)

99
    \end{itemize}

100
\end{frame}

101


102
\begin{frame}[plain]{Mögliche Fehler}

103
    \begin{itemize}

104
        \item Bessere Verfahren werden nicht eingereicht

105
        \begin{itemize}

106
            \item Firmengeheimnisse (oder NSA)

107
            \item Wettbewerb zu unbekannt (unwahrscheinlich)

108
        \end{itemize}

109
        \item Bessere Verfahren existieren, wurden aber nicht untersucht

110
        \item Metrik nicht sinnvoll gewählt

111
    \end{itemize}

112
\end{frame}

113


114
\end{document}

115


116