Die interdisziplinär zusammengesetzte Arbeitsgruppe „Maschinelles Lernen für Zeitreihen und Bilder“ (ML4TIME) beschäftigt sich hauptsächlich mit der Analyse von Bildern bzw. Daten aus der Biologie/Biochemie/Medizin/Materialwissenschaften (z. B. hochaufgelöste 3D+t Lichtscheibenmikroskopieaufnahmen, quantitative Analyse von Bewegungen) und aus dem Energiesystembereich (z. B. Prognosen, Anomaliedetektion).

Verschiedene Methoden aus den Bereichen Bildverarbeitung, Zeitreihenanalyse, Statistik, Data Mining und maschinelles Lernen werden für die automatisierte Datenauswertung an wechselnde Problemstellungen angepasst, weiter- oder neu entwickelt. Viele Probleme kennzeichnet, dass aus großen, teilweise redundanten und stark gestörten Datenmengen Aktionen und Entscheidungen generiert werden sollen. Bei einer rein manuellen Datenauswertung sind Anwender häufig mit der Vielzahl von Merkmalen und ihren komplexen Zusammenhängen überfordert. Der Schwerpunkt bei der Datenauswertung liegt deshalb nicht nur in einer automatisierten Klassifikation, sondern insbesondere in einem nachvollziehbaren und interpretierbaren Lösungsweg, der zu dieser Entscheidungsfindung geführt hat. Auf diese Weise wird die Sicherheit der getroffenen Entscheidungen und deren Akzeptanz bei Anwendern erhöht.

Helmholtz-Programm (PoF IV): Natural, Artificial and Cognitive Information Processing (NACIP)
(BioInterfaces in Technology and Medicine (BIFTM), PoF III)

Projekte:

• 3D+t Terabyte Bildanalyse
• Abbildung des sub-basalen Nervenplexus der Kornea
• Automatisierte Bild- und Datenanalyse
• Energie System 2050
• EnergyLab 2.0
• Helmholtz Information & Data Science School for Health (HIDSS4Health)
• Robot and Computer Assisted Microscopy

Abgeschlossene Projekte

• I-CARE
• Demand Side Management
• Ganganalyse
• Humanoide Roboter
• Neue Methode zur Feedback-basierten Segmentierung und Visualisierung von komplexen 3D-Bilddatensätzen
• TELMYOS