Der Titel seiner Promotionsschrift lautet: ?Deep Learning Methods for Representation Learning with a Focus on 3D Geometric Data”. 

Die Promotion ist im Rahmen der Projekte GeoCADUp und iCity2 an der HFT, in Zusammenarbeit mit der Johannes Gutenberg-Universit?t Mainz, angefertigt worden. Die Arbeit untersucht Representation Learning im Deep Learning mit dem Ziel, Klassifikations- und Segmentierungsaufgaben, insbesondere für 3D-Geometriedaten, zu verbessern. Dafür werden drei zentrale Beitr?ge vorgestellt: eine neue Verlustfunktion (Prototype Softmax Cross Entropy, PSCE), eine Architektur zur Verarbeitung von Punktwolken (LocAL-Net) sowie ein Ansatz zur strukturierten Verarbeitung gro?er Meshes (METNet).

Im ersten Teil wird die Klassifikation von 3D-Objekten untersucht, z.B. ob es sich bei einem Objekt um einen Tisch oder einen Stuhl handelt. Die klassische Verlustfunktion Softmax Cross Entropy wird im Kontext des Contrastive Learnings analysiert und interpretiert und durch PSCE erweitert, das durch frei w?hlbare Prototypen eine deutlich bessere Trennung der Klassen im Merkmalsraum erm?glicht. Der zweite Teil führt LocAL-Net ein, das gezielt lokale geometrische Strukturen in Punktwolken erfasst und diese effektiv mit globalen Kontextinformationen kombiniert. Der dritte Teil pr?sentiert METNet, mit dessen Hilfe gro?e Stadtmodelle, die als texturiertes Dreiecksnetze gegeben sind, segmentiert werden. Dadurch kann jedem Dreieck zugeordnet werden, ob es z.B. zu einem Haus, einem Baum oder einem Fahrzeug geh?rt. In METNet werden geod?tische Nachbarschaften in dem Dreiecksnetz als strukturierte Tensoren darstellt und so eine effizientere Verarbeitung mit neuronalen Netzen erm?glicht, was zu signifikant verbesserten Segmentierungsergebnissen führt.

Wir gratulieren Herrn Dr. Schreiber sehr herzlich zur bestandenen Promotion!

From right: Prof. Dr. Elmar Sch?mer (Johannes Gutenberg University Mainz), Dr. Qendrim Schreiber, Prof. Dr.-Ing. Nicola Wolpert (HFT Stuttgart)