Beschreibung: Beim Neural Hacking versucht ein Angreifer, ein neuronales Netzwerk anzugreifen. Ein derartiger Angriff kann bspw. bei einem Klassifikator zu falschen Ergebnissen der Klassifikation mit sehr hoher Wahrscheinlichkeit führen. Bei dieser Art von Angriffen werden Muster mit geringer Amplitude dem eigentlichen Bild überlagert, sodass ein menschlicher Betrachter keinen oder nur einen sehr geringen Unterschied bemerken würde. Dieser Forschungsbereich im maschinellen Lernen ist bis heute wenig erforscht und gewinnt zunehmend an Bedeutung. Beispielsweise nimmt ein autonomes Fahrzeug u.a. mittels neuronalen Netzwerken seine Umgebung wahr und ist daher prinzipiell anfällig für derartige Angriffe.

Diese Arbeit beschäftigt sich mit derartigen Angriffen auf neuronale Netzwerke und speziell mit Methoden, um sie abzuwehren. Dazu sollen Generative Adversarial Networks (GANs) eingesetzt werden. Ein Generative Adversarial Network stellt ein Framework zweier konkurrierender Modelle dar. Der Generator erzeugt dabei Bilder und der Diskriminator unterscheidet zwischen realen und erzeugten Bildern. Durch eine geschickte Rückführung der Ausgaben des Diskriminators auf die Gewichte des Generators können sehr hochwertige Bilder generiert werden.

Mit GANs können zum einen Störungen erzeugt werden, um neuronale Netzwerke in die Irre zu leiten. Ein Training mit derartigen Bildern ist der einfachste Ansatz zur Erhöhung der Robustheit. Zum anderen lassen sich Eingangsbilder vorverarbeiten, um mögliche vorhandene Störungen zu entfernen. Durch diesen Ansatz muss der Klassifikator nicht modifiziert werden. Das Ziel der Arbeit ist die Implementierung und Evaluation eines derartigen GANs.

Voraussetzungen: Mustererkennung, Kenntnisse in Python (und TensorFlow)

Beschreibung: Diese Arbeit verbindet die Kompression und die semantische Segmentierung von Bilddaten im Kontext autonomer Fahrzeugen. Ein gängiges Framework zur Komprimierung besteht aus einer Autoencoderstruktur. Ein Encoder erzeugt eine kompakte Darstellung der Daten, die gespeichert oder versendet wird. Auf der Empfängerseite sorgt ein Decoder für die Rekonstruktion der ursprünglichen Daten.

Semantische Segmentierung ist eine oft genutzte Methode zur kamerabasierten Wahrnehmung in Fahrzeugen. Dabei werden die Pixel eines Bildes einzeln zu einer diskreten Anzahl an Klassen zugeordnet. Dadurch gehen die Texturen in einem Bild verloren, die Klasse eines Pixels bleibt allerdings erhalten. Dies ist die semantische Sicht des Eingangsbildes.

Die Kompression von Kamerabildern in Fahrzeugen ist aufgrund der steigenden Anzahl an Sensoren eine wichtiges Funktion für autonomes Fahren. Die Zielfunktion auf Empfängerseite ist die semantische Segmentierung. Diese Arbeit beschäftigt sich mit der Fusion der empfängerseitigen Decodierung und Segmentierung der Bilder. Da sowohl die Decodierung als auch die semantische Segmentierung durch künstliche neuronale Netze abgebildet werden, besteht durch die Fusion ein erhebliches Einsparungspotential bezüglich Komplexität und Rechenintensivität.
Dazu soll ein bestehendes Framework erweitert werden, in dem bereits eine Kompression und eine semantische Segmentierung existieren.

Voraussetzungen: Mustererkennung, Kenntnisse in Python wünschenswert