Header

Suche

OpenOSR – General-Purpose Open-Source Tools for Open-Set Recognition

Mit dem OpenOSR-Projekt wollen wir zum einen Aufklärungsarbeit leisten, indem wir zeigen, dass maschinelle Lernmethoden nicht uneingeschränkt in allen Szenarien angewendet werden können – speziell, wenn nicht vorhersehbare Eingaben durch das System verarbeitet werden müssen. Zum anderen wollen wir Forschenden an der Universität Zürich (UZH) und darüber hinaus ermöglichen, unsere Methoden zur Verbesserung der Klassifikation unter Einbezug des Unbekannten auf ihrer Problemstellung zu evaluieren und dies als Benchmark für die wissenschaftliche Gemeinschaft zur Verfügung zu stellen.

Beim Einsatz von maschinellen Lernmethoden in vielen Anwendungen werden diese mit Eingabedaten konfrontiert, für die sie nicht ausgelegt wurden. Open-Set Recognition (OSR) und Anomaly Detection (AD) sind zwei Forschungsrichtungen zur Entwicklung von Methoden, die solche Eingabedaten berücksichtigen und korrekt behandeln können. Leider sind Benchmarks zur Evaluierung von OSR und AD häufig entweder zu einfach oder hochgradig konstruiert und beinhalten nur einige wenige Eingabemodalitäten. Erkenntnisse über das Verhalten der Methoden, die mittels solcher Benchmarks gewonnen werden, sind kaum übertragbar auf andere Eingabemodalitäten oder realistische Anwendungen. Unsere OpenOSR Toolbox, die wir gerade implementieren, hat einen Fokus auf die Reproduzierbarkeit von Experimenten und beinhaltet mehrere Open-Source-Implementierungen von AD- und OSR-Algorithmen sowie einige kleine und grössere Standard-Benchmarks, die mehrheitlich zur Evaluierung von bildbasierten Eingabemodalitäten gedacht sind.

Das Ziel dieses Projektes ist es, das OpenOSR Framework mit mehreren Eingabemodalitäten zu erweitern, mehrere maschinelle Lernmethoden zu implementieren – inklusive moderner Foundation Models –, diese auf realistischeren Problemstellungen zu evaluieren, um echte Probleme zu lösen, die bei unseren Projektpartnern auftreten.

Wenn Sie eine Anwendung basierend auf maschinellem Lernen haben, die unterschiedliche und möglicherweise unerwartete Eingaben verarbeiten muss, und Sie Teil dieser spannenden Entwicklung sein möchten – oder wenn Sie einfach Unterstützung benötigen, um unsere Methoden auf Ihre Problemstellung anzuwenden –, kontaktieren Siemanuel.guenther@uzh.ch.



Projektlaufzeit: 01.07.2025 – 31.06.2026

Kontakt: Prof. Dr. Manuel Günther



Projekleitung

Prof. Dr. Manuel Günther ist seit Juli 2020 Assistenzprofessor für Künstliche Intelligenz und Maschinelles Lernen am Institut für Informatik der Universität Zürich. Dort befasst er sich mit Themen rund um das Gebiet des Deep Learning, welches er meist auf Bilder anwendet. Spezielle Projekte befassen sich zum Beispiel mit der Erkennung von Personen anhand von Gesichtsbildern, mit der Entwicklung von Methoden zur Reduktion von Bias in Deep Learning-Methoden, mit der Erweiterung von erklärbarer KI in der Bildanalyse, mit der Integration von Erkenntnissen der Bildverarbeitung im menschlichen Gehirn in Deep Learning Modelle, sowie mit der Erkennung des Unbekannten.