Skip to main content
Das Bild enthält die Punktwolke eines Gebäudes, die segmentiert und eingefärbt ist, um Objekte zu erkennen und hervortreten zu lassen.
Auf dem Bild sind verschiedene 2d-Layouts von hochdimensionalen Räumen zu sehen. Diese Arbeit wurde für die IEEE Vis 2023 erstellt und dort akzeptiert
Punktwolkenanalyse ermöglicht illustratives Rendering, z.B. für kartographische Zwecke.
Punktwolke eines Gebäudes

Punktwolken können mit Laserscannern erfasst werden. Ihre Exploration bedarf komplexer Methoden | Image: Rico Richter

Dimensionreduktionstechniken

Die Exploration von Dimensionreduktionen erlaubt die Visualisierung hochdimensionaler Räume. | Image: Atzberger and Cech et al.

Rendering von Punktwolken

Punktwolkenanalyse ermöglicht illustratives Rendering, z.B. für kartographische Zwecke. | Source: Wegen et al., Non-Photorealistic Rendering of 3D Point Clouds for Cartographic Visualization, 2022

Willkommensseite der Nachwuchsforschergruppe FFS-AI

Hier stellt sich die Fanned Feature Spaces for Artificial Intelligence (FFS-AI) Nachwuchsforschergruppe vor. Die Gruppe besteht seit dem November 2022. Die Gruppe ist vom Bundesministerium für Bildung und Forschung (BMBF) unter Fördernummer 1IS22062 (“AI research group FFS-AI”) gefördert und läuft bis zum Jahr 2025.

Kurzbeschreibung der Gruppe

Das Vorhaben hat das Ziel, eine KI-Plattform für n-dimensionale Punktwolken, modelliert in gefächerten Merkmalsräumen, zu erforschen und zu entwickeln. n-dimensionale Punktwolken sind ein universeller, zugleich generischer Datentyp für eine enorm große Zahl von Anwendungsfeldern, die gemeinsam haben, dass sie ihre jeweils relevanten Entitäten oder Objekte als hoch-dimensionale Merkmalsvektoren repräsentieren können. Die Kerninnovation besteht zum einen in der Auffächerung des KI-bedingt notwendigen Merkmalsraums und zum anderen in einem eng damit verknüpften Explainable-AI-Konzept auf Basis von Visual Analytics. Mit der Auffächerung werden unabhängig interpretierbare Merkmalsunterräume definiert, die sich aus der Gruppierung und Semantik der Merkmalsvektorkoeffizienten herleiten, da nur so der Heterogenität der einzelnen Merkmale in Anwendungen Rechnung getragen werden kann. Für jeden Merkmalsunterraum werden ML/DL-Verfahren, die semantikspezifisch ausgewählt werden, unabhängig voneinander mit einem spezifischen Distanzmaß eingesetzt. Visual Analytics für gefächerte Merkmalsräume ermöglicht es, im Sinne von “Explainable AI”, generierte Aussagen z.B. mit interaktiven, 3D-Topic-Maps zu erkunden, sodass ein Verständnis der Zusammenhänge und ein Verständnis über das Zustandekommen eines Ergebnisses ermöglicht wird. Zentrales Element der KI-Plattform ist die auf gefächerte Merkmalsräume spezialisierte Datenbank, die auch die Trainingsdaten und -modelle verwaltet. Anwendungen können die Services über das API bzw. Web-Service-Schnittstellen nutzen, sodass sie sich nahtlos in Anwendungen und Systemen Dritter integriert lassen. In Zusammenarbeit mit assoziierten Partnern, die als Anforderungsgeber und Evaluationspartner agieren, werden Anwendungsfälle identifiziert, entsprechende repräsentative Datensätze generiert, die Verfahren evaluiert und die KI-Plattform hinsichtlich ihrer Machbarkeit und Performance untersucht.

Zur Zeit gehören der Gruppe an:

Leitung

Dr. Rico Richter (rico.richter.1@uni-potsdam.de)

Weitere Mitglieder

Tim Cech (tim.cechuni-potsdamde)
Ole Wegen (ole.wegenuni-potsdamde)