Citation link: http://dx.doi.org/10.25819/ubsi/9908
Files in This Item:
File Description SizeFormat
Dissertation_Jonas_Geiping.pdf18.91 MBAdobe PDFThumbnail
View/Open
Dokument Type: Doctoral Thesis
metadata.dc.title: Modern optimization techniques in computer vision
Title addition: from variational models to machine learning security
Other Titles: Moderne Optimierungstechniken in der Computer Vision : von variationellen Modellen bis hin zu Sicherheit im Machine Learning
Authors: Geiping, Jonas 
Institute: Department Elektrotechnik - Informatik 
Free keywords: Optimization Theory, Machine Learning, Bilevel Optimization, Computer Vision, Security
Dewey Decimal Classification: 004 Informatik
GHBS-Clases: TVUC
TVVC
TUH
Issue Date: 2021
Publish Date: 2021
Abstract: 
This thesis presents research into multiple optimization topics in computer vision with a conceptual focus on composite optimization problems such as bilevel optimization. The optimal graph-based discretization of variational problems in minimal partitions, the theoretical analysis of nonconvex composite optimization by nonconvex majorizers, the bilevel problem of learning energy models by nonconvex majorizers, and the machine learning security applications of bilevel optimization in privacy analysis of federated learning and dataset poisoning of general image classification are featured in this cumulative work.

Diese Arbeit präsentiert Forschungsergebnisse in mehreren Problemstellungen aus dem Feld des maschinellen Sehens und diskutiert generalisierte Optimierungsstrategien für solche mit einem konzeptuellen Fokus auf kompositionellen Optimierungsstrategien wie Bi-Level Optimierung. Die optimale Graph-basierte Diskretisierung von Variationsproblemen in Rahmen von Minimalen Partitionen, die theoretische Analyse von kompositioneller Optimierung durch nichtkonvexe Majorisierer, die Aufgabe des Lernens von Energiemodellen durch nichtkonvexe Majorisierer, und die Anwendungen dieser Bilevel-Optimierung im Rahmen der Sicherheitsanalyse von maschinellem Lernen beim Datenschutz in föderierten Lernverfahren und potentiellen Verfälschungen von Bilddaten für Bildklassifikation, sind Themen dieser kumulativen Arbeit.
Description: 
Kumulative Dissertation
DOI: http://dx.doi.org/10.25819/ubsi/9908
URN: urn:nbn:de:hbz:467-18976
URI: https://dspace.ub.uni-siegen.de/handle/ubsi/1897
Appears in Collections:Hochschulschriften

This item is protected by original copyright

Show full item record

Page view(s)

60
checked on Jun 23, 2021

Download(s)

21
checked on Jun 23, 2021

Google ScholarTM

Check

Altmetric


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.