Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch Deutsch
CORDIS - Forschungsergebnisse der EU
CORDIS

Robust, Explainable Deep Networks in Computer Vision

Projektbeschreibung

Ein verbessertes Sehvermögen für Computer

Die Erschaffung faltender neuronaler Netzwerke (einer Klasse von Deep-Learning-Algorithmen) hat das maschinelle Sehen revolutioniert, da sie Computern ermöglichen, Dinge zu „sehen“ und auf sie zu reagieren. Allerdings konnten die faltenden neuronalen Netzwerke nicht alle Probleme ausräumen. Beispielsweise ist nach wie vor eine große Menge gekennzeichneter Trainingsdaten erforderlich, was nicht in allen potenziellen Anwendungsgebieten umsetzbar ist. Darüber hinaus ist ein Großteil der tiefen Netzwerke im Bereich des maschinellen Sehens schwach, was die Erklärbarkeit angeht. Das EU-finanzierte Projekt RED wird daran arbeiten, die Belastbarkeit und Erklärbarkeit von tiefen Netzwerken im Bereich des maschinellen Sehens zu verbessern. Es wird strukturierte Netzwerkentwürfe, wahrscheinlichkeitstheoretische Verfahren und hybride generative bzw. diskriminative Modelle untersuchen. Außerdem wird es die Forschung zum Thema voranbringen, wie man die Belastbarkeit und Aspekte der Erklärbarkeit durch eigens dafür angelegte Datensätze und Metriken bewerten kann, und auf diese Weise zur Bewältigung von Herausforderungen im Bereich der 3D-Szenenanalyse beitragen.

Ziel

"Deep learning approaches, mostly in the form of convolutional neural networks (CNNs), have taken the field of computer vision by storm. While the progress in recent years has been astounding, it would be dangerous to believe that important problems in computer vision are close to being solved. Many canonical deep networks for vision tasks ranging from image understanding to 3D reconstruction or motion estimation perform incredibly well ""on dataset"", i.e.~in the very setting in which they have been trained. The generalization to novel, related scenarios is still lacking, however. Moreover, large amounts of labeled data are required for training, which are not available in all potential application areas. In addition, the majority of deep networks in computer vision show deficiencies in terms of explainability. That is, the role of network components is often opaque and most deep networks in vision do not output reliable quantifications of the uncertainty of the prediction, limiting the comprehension by users. In this project, we aim to significantly advance deep networks in computer vision toward improved robustness and explainability. To that end, we will investigate structured network architectures, probabilistic methods, and hybrid generative/discriminative models, all with the goal of increasing robustness and gaining explainability. This is accompanied by research on how to assess robustness and aspects of explainability via appropriate datasets and metrics. While we aim to develop a toolbox that is as independent of specific tasks as possible, the work program is grounded in concrete vision problems to monitor progress. We specifically consider the challenges of 3D scene analysis from images and video, including tasks such as panoptic segmentation, 3D reconstruction, and motion estimation. We expect the project to have significant impact in applications of computer vision where robustness is key, data is limited, and user trust is paramount."

Schlüsselbegriffe

Schlüsselbegriffe des Projekts, wie vom Projektkoordinator angegeben. Nicht zu verwechseln mit der EuroSciVoc-Taxonomie (Wissenschaftliches Gebiet).

Programm/Programme

Mehrjährige Finanzierungsprogramme, in denen die Prioritäten der EU für Forschung und Innovation festgelegt sind.

Thema/Themen

Aufforderungen zur Einreichung von Vorschlägen sind nach Themen gegliedert. Ein Thema definiert einen bestimmten Bereich oder ein Gebiet, zu dem Vorschläge eingereicht werden können. Die Beschreibung eines Themas umfasst seinen spezifischen Umfang und die erwarteten Auswirkungen des finanzierten Projekts.

Finanzierungsplan

Finanzierungsregelung (oder „Art der Maßnahme“) innerhalb eines Programms mit gemeinsamen Merkmalen. Sieht folgendes vor: den Umfang der finanzierten Maßnahmen, den Erstattungssatz, spezifische Bewertungskriterien für die Finanzierung und die Verwendung vereinfachter Kostenformen wie Pauschalbeträge.

ERC-COG - Consolidator Grant

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

Verfahren zur Aufforderung zur Einreichung von Projektvorschlägen mit dem Ziel, eine EU-Finanzierung zu erhalten.

(öffnet in neuem Fenster) ERC-2019-COG

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Gastgebende Einrichtung

TECHNISCHE UNIVERSITAT DARMSTADT
Netto-EU-Beitrag

Finanzieller Nettobeitrag der EU. Der Geldbetrag, den der Beteiligte erhält, abzüglich des EU-Beitrags an mit ihm verbundene Dritte. Berücksichtigt die Aufteilung des EU-Finanzbeitrags zwischen den direkten Begünstigten des Projekts und anderen Arten von Beteiligten, wie z. B. Dritten.

€ 1 999 814,00
Adresse
KAROLINENPLATZ 5
64289 DARMSTADT
Deutschland

Auf der Karte ansehen

Region
Hessen Darmstadt Darmstadt, Kreisfreie Stadt
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten

Die Gesamtkosten, die dieser Organisation durch die Beteiligung am Projekt entstanden sind, einschließlich der direkten und indirekten Kosten. Dieser Betrag ist Teil des Gesamtbudgets des Projekts.

€ 1 999 814,00

Begünstigte (1)

Mein Booklet 0 0