Gesunde Lebensmittel

Foto: Manuel Gutjahr

Projekt

Titel
Erforschung und Erweiterung von Computer Vision Foundation Models (ExploRing and Expanding the FrontierRs of FoundAtion ModEls)
Kürzel
REFRAME
Beginn
01.10.2024
Ende
30.09.2027
Koordinierendes Institut
Fraunhofer Heinrich Hertz Institut
Ansprechpartner ATB
Partner
Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V.
Bergische Universität Wuppertal

Zusammenfassung
Im Bereich der Computer Vision haben Vision Foundation Models (VFM) neue Maßstäbe in visuellen Aufgaben zum Verständnis visueller Daten, z.B. zur Bild- und Objekterkennung, Segmentierung und Klassifizierung, gesetzt, z.B. CLIP, SAM, SEEM. Trotz der Fortschritte von VFM bleiben entscheidende Fragen zur Vertrauenswürdigkeit dieser Modelle offen. Es ist unklar, wann ein Modell den Bereich seiner Trainingsdaten verlässt und wie sich die Genauigkeit über verschiedene Domänen hinweg verhält bzw. wie die Genauigkeit durch Anpassung und Finetuning verändert wird. REFRAME widmet sich diesen offenen Fragestellungen. Das übergeordnete Ziel ist, eine nachhaltige, robuste, flexible und effiziente Nutzung von VFM auch in spezifischen Aufgaben zu erreichen. Dafür ist es essentiell 1) Methoden zur Untersuchung ihrer Grenzen und Identifikation von Unsicherheiten in den Vorhersagen zu entwickeln und AnwenderInnen bereitzustellen und 2) die Vertrauenswürdigkeit und Erklärbarkeit durch entsprechende Methoden z.B. zur Erkennung und Minderung von Biases, zu steigern, sowie 3) resiliente und effiziente Methodiken zu entwickeln, um VFM an spezielle Domänen und Aufgaben auch mit wenigen Daten anzupassen. Wir fokussieren uns auf einige, wichtige Teilaspekte und der damit verbunden Methodenentwicklung, die dazu beitragen werden, Vertrauen und Zuverlässigkeit in den Vorhersagen der VFM und darauf aufbauenden Modelle zu stärken.

Förderung
Bundesministerium für Bildung und Forschung (BMBF)
Projektträger
Deutsches Zentrum für Luft- und Raumfahrt (DLR)
Förderkennzeichen
01IS24073B
Förderprogramm
Richtlinie zur Förderung von Forschungsprojekten zum Thema „Flexible, resiliente und effiziente Machine-Learning-Modelle“, Bundesanzeiger vom 07.09.2023

Cookies

Wir verwenden Cookies. Einige von ihnen sind erforderlich, um Ihnen Inhalte und Funktionen bestmöglich anzubieten, andere helfen uns, unsere User anonymisiert besser zu verstehen (Matomo). Datenschutzerklärung

Notwendig erforderlich

Notwendige Cookies sind für die ordnungsgemäße Funktion der Website unbedingt erforderlich. Diese Kategorie enthält nur Cookies, die grundlegende Funktionen und Sicherheitsmerkmale der Website gewährleisten. Diese Cookies speichern keine persönlichen Informationen.

Cookie Dauer Beschreibung
PHPSESSID Session Speichert Ihre aktuelle Sitzung mit Bezug auf PHP-Anwendungen und gewährleistet so, dass alle Funktionen der Seite vollständig angezeigt werden können. Mit Schließen des Browsers wird das Cookie gelöscht.
bakery 24 Stunden Speichert Ihre Cookie-Einstellungen.
fe_typo_user Session Wird verwendet, um eine Session-ID zu identifizieren, wenn man sich am TYPO3-Frontend einloggt.
__Secure-typo3nonce_xxx Session Sicherheitsrelevant. Zur internen Verwendung durch Typo3.
Analyse

Über Cookies dieser Kategorie lernen wir aus dem Verhalten der Besucher auf unserer Website und können so relevante Informationen noch schneller erreichbar machen.

Cookie Dauer Beschreibung
_pk_id.xxx 13 Monate Matomo – User-ID (zur anonymen statistischen Auswertung der Besucherzugriffe; ermittelt, um welchen User es sich handelt)
_pk_ses.xxx 30 Minuten Matomo – Session-ID (zur anonymen statistischen Auswertung der Besucherzugriffe; ermittelt, um welche Sitzung es sich handelt)