Search

Als Beitrag zum Wissenschaftstag #4genderstudies 2020 veröffentlicht der blog interdisziplinäre geschlechterforschung ein Gespräch von Judith Butler und Dirk Schulz, Geschäftsführer von GeStiK, Gender Studies in Köln. Unter dem Titel “There’s no back to normal” bildete ihr Austausch den Auftakt zur aktuellen Vortragsreihe der GeStiK zum Thema „Krise“. Da in diesem Gespräch auch Fragen skizziert wurden, die sich auf die anhaltenden Angriffe auf – bis hin zu Verboten von – Gender Studies überall in der Welt beziehen, stimmte Judith Butler einer redaktionellen Bearbeitung für den gender-blog zu. Dies ist der erste Teil des Gesprächs.

„Genderismus“, „Gender-Ideologie“, „Gender-Gaga“, manchmal auch Umerziehungsprogramme“ und „Minderheitenpolitiken“: Im öffentlichen Diskurs werden Gender Studies aus verschiedenen Richtungen angegriffen, bezüglich ihrer Wissenschaftlichkeit diskreditiert und diffamiert und zuweilen in ihrer unterstellten Wirkungsabsicht dämonisiert. In Ungarn wurden sie dieses Jahr sogar per Regierungsbeschluss verboten. Die Schmähungen, Verleumdungen und Sanktionen entspringen offensichtlich – absichtlichen? – Missverständnissen, die eher als ein Indiz von Panik, von Unwissenheit oder beidem gemeinsam zu verstehen sind. Denn gerade die Gender Studies sind es, die von Beginn an „Genderismus“ im Sinne von Geschlechterdichotomien hinterfragt haben.

Visual grouping is a key mechanism in human scene perception. There, it belongs to the subconscious, early processing and is key prerequisite for other high level tasks such as recognition. In this paper, we introduce an efficient, realtime capable algorithm which likewise agglomerates a valuable hierarchical clustering of a scene, while using purely local appearance statistics. To speed up the processing, first we subdivide the image into meaningful, atomic segments using a fast Watershed transform. Starting from there, our rapid, agglomerative clustering algorithm prunes and maintains the connectivity graph between clusters to contain only such pairs, which directly touch in the image domain and are reciprocal nearest neighbors (RNN) wrt. a distance metric. The core of this approach is our novel cluster distance: it combines boundary and surface statistics both in terms of appearance as well as spatial linkage. This yields state-of-the-art performance, as we demonstrate in conclusive experiments conducted on BSDS500 and Pascal-Context datasets., Comment: Asian Conf. on Computer Vision (ACCV) 2016

SPIRIT checklist. Overview of important items of a clinical trial and their placement in the manuscript. (DOC 122 kb)