Auflistung D21 (2020) - Ausgezeichnete Informatikdissertationen nach Erscheinungsdatum
1 - 10 von 37
Treffer pro Seite
Sortieroptionen
- KomplettbandAusgezeichnete Informatikdissertationen 2020(Ausgezeichnete Informatikdissertationen 2020, 2021) Hölldobler, Steffen
- KonferenzbeitragApproaches for Intrinsic Light Field Decomposition(Ausgezeichnete Informatikdissertationen 2020, 2021) Alperovich, AnnaBei der intrinsischen Bildzerlegung geht es darum, ein beleuchtungsinvariantes Reflexionsbild von einem Eingangsfarbbild zu trennen, was nach wie vor noch eines der grundlegenden Probleme im Bereich der Computer Vision darstellt. Diese Zerlegungsart wird ha ̈ufig bei der Be arbeitung von Fotos und Materialien, der Bildsegmentierung sowie der Formschätzung eingesetzt. Im Fokus dieser Arbeit liegt die intrinsische 4D-Zerlegung eines Lichtfelds. Im Rahmen dessen soll das Problem in Bezug auf die folgenden drei Variablen formuliert und gelöst werden soll: Albedo, Schattierung und Spekularität. Dadurch wird es wiederum möglich, sich mit nicht-Lambertschen Szenen auseinanderzusetzen. Dem Problem soll sich mit Variations- und Deep-Learning-Ansätzen angenähert, ihre Leistung verglichen und die Stärken und Schwächen beider Techniken diskutiert werden. Es soll nachgewiesen werden, dass der in dieser Arbeit vorgestellte Deep-Learning-Ansatz eine generische Lösung für Lichtfelder darstellt und bei vier zeitgenössischen Computer-Vision-Problemstellungen eingesetzt werden kann: Disparitätsschätzung, Reflexionstrennung, intrinsische Bildgebung und bildverarbeitende Ultrahochauflösung. Umfangreiche Auswertungen auf der Grundlage mehrerer öffentlich zugänglicher, synthetischer und realer Datensätze belegen die Fruchtbarkeit der im Rahmen dieser Arbeit vorgestellten Methodik. Im Ergebnis werden die Vorteile der Verwendung von Lichtfeldern gegenüber anderen Datenstrukturen aufgezeigt.
- KonferenzbeitragAutomatisierte Hybride Zeitreihenprognose(Ausgezeichnete Informatikdissertationen 2020, 2021) Bauer, AndreModerne Cloud-Umgebungen unterliegen Lastschwankungen und entsprechend schnellen und unerwarteten Änderungen. Um ausreichend Rechenressourcen rechtzeitig bereitzustellen, müssen sogenannte Auto-Skalierer den zukünftigen Ressourcenbedarf vorhersagen. Allerdings haben bestehende Arbeiten zur Zeitreihenprognose und zur automatischen Skalierung der Cloud zwei große Probleme. Erstens gibt es keinen vollautomatischen und generischen Prognoseansatz, der die vorhandenen Prognosemethoden so kombiniert, dass ihre Stärken genutzt und ihre Schwächen vermieden werden, um genaue Vorhersagen mit einer verlässlichen Laufzeit zu liefern. Zweitens wird bestehenden Auto-Skalierern misstraut, ein zuverlässiges und kosteneffizientes autonomes Ressourcenmanagement für moderne Cloud-Umgebungen zu bieten, da die Sorge besteht, dass ungenaue oder verzögerte Anpassungen zu finanziellen Verlusten führen können. Um diese Probleme zu lösen, stellt die Dissertation drei Beiträge vor: (i) Einen Prognose-Benchmark, der das Problem der begrenzten Vergleichbarkeit zwischen bestehenden Prognosemethoden adressiert; (ii) Eine automatisierte hybride Zeitreihen-Prognosemethode; (iii) Einen neuartiger hybrider Auto-Skalierer für koordinierte Skalierung von Anwendungen.
- KonferenzbeitragMaschinelles Lernen für Ressourcenplanung in Verteilten Systemen(Ausgezeichnete Informatikdissertationen 2020, 2021) Borkowski, MichaelVerteilte Rechensysteme sind aus der heutigen digitalen Welt nicht mehr wegzudenken: Suchmaschinen wie Google, Cloud-Speichersysteme wie Dropbox, Streaming-Dienste wie Netflix oder wissenschaftliche Großrechner führen komplexe Aufgaben auf verteilter IT-Infrastruktur aus. Dabei müssen entsprechende Systeme laufend Ressourcenoptimierung betreiben. Beispielsweise können durch Aktivierung von Ressourcen kurz vor Lastspitzen und anschließender Passivierung enorme Kostenersparnisse erzielt werden. Statt konventioneller Wenn-Dann-Beziehungen oder starrer Regelkreise beschreibe ich in meiner Dissertation adaptive und Vorhersage-basierte Techniken, wie sie in einer dynamischen Umgebung wie dem heutigen Internet unabdingbar sind. Hierfür verwende ich Modelle für maschinelles Lernen, insbesondere künstliche neuronale Netze und Kalman-Filter. Meine Ergebnisse zeigen, dass der Einsatz solcher Methoden Kosten und Ressourcenverbrauch senkt sowie die Verfügbarkeit und Verlässlichkeit der Systeme erhöht.
- KonferenzbeitragSemantische und Interaktive Inhaltsbasierte Bildersuche(Ausgezeichnete Informatikdissertationen 2020, 2021) Barz, BjörnMethoden für die inhaltsbasierte Suche nach Bildern anhand eines Beispielbildes haben in jüngster Zeit rasante Fortschritte gemacht, konzentrieren sich jedoch größtenteils auf die visuelle Ähnlichkeit von Bildern und lassen deren Semantik außer Acht. Die Dissertation stellt eine Methode vor, welche menschliches Vorwissen über die Semantik der Welt in Form von Taxonomien in Deep-Learning-Verfahren integriert. Die daraus entstehenden semantischen Bildmerkmale verbessern die semantische Konsistenz der Suchergebnisse im Vergleich zu herkömmlichen Repräsentationen und Merkmalen erheblich. Darüber hinaus werden drei interaktive Suchverfahren präsentiert, welche die den Anfragebildern inhärente semantische Ambiguität durch Einbezug von Benutzerfeedback auflösen. Die verschiedenen Methoden decken eine große Bandbreite hinsichtlich der Komplexität des Feedbacks und des damit für den Benutzer verbundenen Aufwands ab. Alle Techniken liefern bereits nach wenigen Feedbackrunden deutlich relevantere Ergebnisse, was die Gesamtmenge der abgerufenen Bilder reduziert, die der Benutzer betrachten muss.
- KonferenzbeitragKooperative Absichtserkennung mittels maschineller Lernverfahren(Ausgezeichnete Informatikdissertationen 2020, 2021) Bieshaar, MaartenDas Radfahren wird im Verkehr der Zukunft eine zentrale Rolle spielen. Um Unfälle zu vermeiden, ist es entscheidend, Radfahrer frühzeitig zu erkennen und deren Absichten vorherzusagen. Fahrzeuge, die mit Sensoren, Datenverarbeitungssystemen und Kommunikationsfähigkeiten ausgestattet sind, erstellen und pflegen ein lokales Modell ihrer Verkehrsumgebung. Gruppen von kooperierenden und interagierenden Fahrzeugen, sowie Roadside Units, und Radfahrer, die mit Smart Devices (z.B. Smartphone und Smartwatch) und anderen am Körper getragenen Sensoren ausgestattet sind, tauschen Informationen aus. Sie bilden ein multimodales Sensorsystem mit dem Ziel, Radfahrer und deren Absichten zuverlässig zu erfassen. Die kollektive Intelligenz aller Verkehrsteilnehmer erlaubt es den Wahrnehmungshorizont der einzelnen Verkehrsteilnehmer über deren eigene sensorische Fähigkeiten hinaus zu erweitern und somit eine bessere Erkennung der Absichten von Radfahrer zu ermöglichen.
- KonferenzbeitragVorhersagebasierte Suche für autonomes Spielen(Ausgezeichnete Informatikdissertationen 2020, 2021) Dockhorn, AlexanderLernverfahren befähigen einen Agenten autonom eine für ihn unbekannte Umgebung zu explorieren und ihm gestellte Aufgaben zu erfüllen. Hierbei erlauben Modellbildende Verfahren dem Agenten, ein geistiges Abbild seiner Umgebung zu konstruieren und in diesem das Resultat seiner Handlungen vorherzusehen. Die Konstruktion und Verwendung eines solchen Modells stellt die Schwerpunkte meiner Dissertation dar. Hierfür wird zunächst eine theoretische Grundlage für die Dekomposition von Forward Modellen geschaffen. Darauf basierend werden das Local Forward Model sowie das Object-based Forward Model als effiziente Modellheuristiken abgeleitet. Besonderes Augenmerk wird zudem auf die Modellierung unsicherer Informationen gelegt. Abschließend werden Anwendungen im Bereich der künstlichen Intelligenz in Spielen und der Robotik für die entwickelten Verfahren demonstriert.
- KonferenzbeitragAnalyse von variantenreichen und kontextsensitiven Systemen(Ausgezeichnete Informatikdissertationen 2020, 2021) Chrszon, PhilippModerne Informations- und Kommunikationssysteme sind zunehmend von Variantenreichtum und Dynamik geprägt. In der Softwaretechnologie wurden Konzepte wie Features und Rollen eingeführt, um die Variabilität innerhalb einer Systemfamilie bzw. kontextabhängige Adaptionen zu erfassen. Eine zentrale Herausforderung bei der Entwicklung featureorientierter und rollenbasierter Systeme stellen Interaktionen dar, d.h. emergentes Verhalten, welches sich aus der Kombination von Features bzw. Rollen ergibt. Das Ziel der Dissertation ist die Entwicklung von formalen Methoden, um eine frühzeitige Entdeckung von Interaktionen zu ermöglichen, welche die funktionalen und nicht-funktionalen Eigenschaften eines Systems beeinflussen. Dazu werden Formalismen, Modellierungssprachen und zugehörige Analysewerkzeuge entwickelt, welche die Konzepte von Features und Rollen explizit unterstützen.
- KonferenzbeitragVerständnis und Weiterentwicklung der Programmiersprache Rust(Ausgezeichnete Informatikdissertationen 2020, 2021) Jung, RalfRust ist eine junge systemnahe Programmiersprache. Sie vereint die Sicherheit und das Abstraktionsniveau von Sprachen wie Java und Haskell mit der Kontrolle von Systemressourcen, wie C und C++ sie bieten. Meine Dissertation [Ju20a] untersucht die Sicherheitsgarantien von Rust erstmals formell und trägt somit entscheidend zum besseren Verständnis und zur Entwicklung dieser zunehmend bedeutsamen Sprache bei. Dafür habe ich drei Systeme entwickelt und im Beweisassistenten Coq verifiziert: RustBelt, Iris, und Stacked Borrows. RustBelt ist ein formelles Modell des Typsystems von Rust einschließlich eines Korrektheitsbeweises, welcher die Sicherheit von Speicherzugriffen und Nebenläufigkeit zeigt. RustBelt ist in der Lage, einige komplexe Komponenten der Standardbibliothek von Rust zu verifizieren, obwohl die Implementierung dieser Komponenten intern unsichere Sprachkonstrukte verwendet. RustBelt ist nur möglich dank der Entwicklung von Iris, einem Framework zur Konstruktion von Separationslogiken zur Programmverifikation von beliebigen Programmiersprachen. Die Stärke von Iris liegt in der Mo ̈glichkeit, neue Beweismethoden mit Hilfe weniger einfacher Bausteine herzuleiten. Stacked Borrows ist eine Erweiterung der Spezifikation von Rust, die es dem Compiler erlaubt, den Quelltext mit Hilfe der im Typsystem kodierten Alias-Informationen besser zu analysieren. So werden neue mächtige intraprozedurale Optimierungen ermöglicht.
- KonferenzbeitragSynthese im Kontext Parametrischer Markow-Modelle(Ausgezeichnete Informatikdissertationen 2020, 2021) Junges, SebastianMarkow-Modelle sind ein prominenter Formalismus, um Systeme mit unsicherem Verhalten zu modellieren und zu analysieren. Ein Markov-Modell umfasst (System)-Zustände mit wahrscheinlichkeitsbehafteten Transitionen. Eine typische Fragestellung für ein gegebenes Modell lautet: Beträgt die maximale Wahrscheinlichkeit, dass ein bestimmter Zustand erreicht wird, weniger als 0,01%? Um diese Frage zu beantworten, ist es wichtig, dass die Wahrscheinlichkeiten im Markow-Modell exakt bekannt sind. Dies ist leider oft unrealistisch. Um den potentiellen Ungenauigkeiten in diesen Wahrscheinlichkeiten gerecht zu werden, betrachten wir parametrische Modelle, in denen Wahrscheinlichkeiten durch symbolische (genauer: parametrische) Ausdrücke statt durch konkrete Werte dargestellt werden. Es ergeben sich einige natürliche Fragestellungen, zum Beispiel: Ist die maximale Wahrscheinlichkeit, dass ein bestimmter Zustand erreicht wird, weniger als 0,01% für jede Belegung der Parameter? In diesem Exposé betrachten wir diese und verwandte Fragestellungen. Die geschilderten Ergebnisse liefern neue Erkenntnisse zur theoretischen Komplexität sowie neue und effektive Methoden. Diese Methoden wurden implementiert und sie verbessern den aktuellen Stand der Technik beträchtlich. Die Implementierungen sind nun in der Lage, Markow-Modelle mit tausenden Parametern und Millionen Zustände zu analysieren.