Deep Learning Plattform

Im Sommer 2018 haben mehrere Institute der Fakultät für Informatik der TU Wien gemeinsam mit der TU.it begonnen, gemeinsam eine Plattform zu entwickeln, die sich speziell der Forschung im Bereich Deep Learning widmet. Seitdem hat sich die Aktivität zu einem umfangreichen Forschungsprojekt entwickelt, das sich derzeit mit verschiedenen Themen befasst, wie zum Beispiel:


  • DL of point clouds (Wimmer group, Erler P, Celarek A, Gilmutdinov I, Fraiss S)
  • Anime DL (Wimmer group, Cardoso J, Hanko D, Kugler F, Thurner Y)
  • DL in drug design (Kaufmann group, Kan P)
  • Agricultural time series analysis with DL (Rauber group, Neubauer T,  Raubitzek S, Peesapati K)
  • Federated/adversarial ML/DL (Rauber group, Mayer R, Jankovic A, Pustozerova A, Llugiqi M)
  • DL in computer vision (Sablatnig goup, Zambanini S, Keglevic M)
  • DL in e-commerce and NLP (Hanbury group, Hofstaetter S, Althammer S)
  • Research Unit ML/DL (Gaertner group, Holzmueller M, Thiessen M)
  • DL in SoC (Jantsch group, Wuschnig M)
  • DL in Intelligent Semantic Multimedia Data Analysis (Eidenberger group, Rybnikova T, Othman A)
  • DL for predicting water quality/quantity of karstic springs (Blaschke group, Derx J, Poelz A)


Hardware

4 Server mit jeweils 4 x GPU (NVIDIA Turing rtx2080ti)
1 Server mit 1 x GPU (NVIDIA Volta V100)
1 Server mit 2 x GPU (NVIDIA Ampere A40)


Zugriff über den Anmeldeknoten des dataLABS unter: lbd.zserv.tuwien.ac.at/

Deep Learning Arbeits-Gruppe

Die DL-Gruppe hat ein außergewöhnlich hohes Maß an Selbstorganisation entwickelt. Neue Benutzer werden schnell in etablierte Arbeitsrichtlinien eingeführt und erhalten Unterstützung von Forschungsstipendiaten auf der ersten Ebene, die täglich aktiv an der DL-Forschung beteiligt sind. Dies beinhaltet nicht nur Best-Practice-Ratschläge zur optimalen Nutzung gängiger DL-Frameworks (Pytorch, Tensorflow, Keras, Caffee, Theano ...),sondern auch allgemeine Unterstützung bei der Beherrschung von DL-Computerservern und der Übernahme der erforderlichen Fähigkeiten, um die verfügbaren effizient zu nutzen Ressourcen. In regelmäßigen Abständen wird eine Seminarreihe mit aktuellen Themen in DL durchgeführt,
die von eingeladenen Gastdozenten vor Ort erläutert werden.


Erfolgsgeschichten

Philipp Erler, Paul Guerrero, Stefan Ohrhallinger, Michael Wimmer und Niloy Mitra; Points2Surf: Lernen impliziter Oberflächen aus Punktwolken
in Computer Vision - ECCV 2020, Seiten 108-124. Oktober 2020.

Sebastian Hofstaetter, Hamed Zamani, Bhaskar Mitra, Nick Craswell und Allan Hanbury;Lokale Selbstaufmerksamkeit über Langtext für effizientes
Abrufen von Dokumenten in Proceedings der 43. Internationalen ACM SIGIR-Konferenz zu Forschung und Entwicklung im Bereich Information Retrieval - SIGIR '20, Seiten 2021–2024. Juli 2020.

Kontakt 

Für informelle Diskussionen sollten sich interessierte Personen am besten mit einer der oben genannten Forschungsgruppen in Verbindung setzen. Wenn Konten angefordert werden, schreiben Sie bitte eine E-Mail an siegfried.hoefinger@tuwien.ac.at und geben Sie eine gültige TU-E-Mail-Adresse und im Idealfall eine Zugehörigkeit zu einer der oben genannten Gruppen an.








The Deep Learning Corner

In Summer 2018 several institutes of the Faculty of Informatics, TU Wien, together with TU.it started to jointly develop a platform specifically dedicated to research in Deep Learning. Since then the activity has grown into a substantial research project currently dealing with diverse subjects, such as for example,


  • DL of point clouds (Wimmer group, Erler P, Celarek A, Gilmutdinov I, Fraiss S)
  • Anime DL (Wimmer group, Cardoso J, Hanko D, Kugler F, Thurner Y)
  • DL in drug design (Kaufmann group, Kan P)
  • Agricultural time series analysis with DL (Rauber group, Neubauer T,  Raubitzek S, Peesapati K)
  • Federated/adversarial ML/DL (Rauber group, Mayer R, Jankovic A, Pustozerova A, Llugiqi M)
  • DL in computer vision (Sablatnig goup, Zambanini S, Keglevic M)
  • DL in e-commerce and NLP (Hanbury group, Hofstaetter S, Althammer S)
  • Research Unit ML/DL (Gaertner group, Holzmueller M, Thiessen M)
  • DL in SoC (Jantsch group, Wuschnig M)
  • DL in Intelligent Semantic Multimedia Data Analysis (Eidenberger group, Rybnikova T, Othman A)
  • DL for predicting water quality/quantity of karstic springs (Blaschke group, Derx J, Poelz A)


Hardware
4 servers with 4 x GPU (NVIDIA Turing rtx2080ti) each
1 server with 1 x GPU (NVIDIA Volta V100)
1 Server mit 2 x GPU (NVIDIA Ampere A40)

accessible from the login node of the datalab.

Characteristics

The DL group has developed an exceptional high level of self-organization. New users will rapidly get introduced into established work policies and receive first level support from research fellows actively involved in DL research on a daily basis. This not only includes best practice advice on optimal usage of common DL frameworks (pytorch, tensorflow, keras, caffee, theano...) but also general assistance in mastering DL compute servers and adopting the required skill set to make efficient use of the available resources. In regular intervals a seminar series is run featuring current topics in DL as outlined by invited guest lecturers in the field.

Early success stories

Philipp Erler, Paul Guerrero, Stefan Ohrhallinger, Michael Wimmer, Niloy Mitra; Points2Surf: Learning Implicit Surfaces from Point Clouds in Computer Vision -- ECCV 2020, pages 108-124. October 2020.

Sebastian Hofstaetter, Hamed Zamani, Bhaskar Mitra, Nick Craswell, Allan Hanbury;
Local Self-Attention over Long Text for Efficient Document Retrieval in Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval -- SIGIR '20, pages 2021–2024. July 2020.

Contact

For informal discussions interested persons should best get into contact with any of the above research groups . If accounts are requested please write email to siegfried.hoefinger@tuwien.ac.at providing a valid TU email address and ideally an affiliation with any of the above groups.




Zum Seitenanfang

  • No labels