Automatische Objekterkennung in supraleitenden Cavities
|
|
- Karola Schmitz
- vor 6 Jahren
- Abrufe
Transkript
1 Automatische Objekterkennung in supraleitenden Cavities Wie bringe ich dem PC das sehen bei? Motivation Optische Inspektion Bildbearbeitung Bildsegmentierung 2D & 3D Zusammenfassung Marc Wenskat Diplomanden und Doktorandenseminar Hamburg,
2 Motivation > Hohe Gradienten für Linearbeschleuniger XFEL: 23.5 MV/m ILC: 31.5 MV/m > Supraleitende Cavites für geringere Verluste und Strahlqualität XFEL: ~ 800 Cavities Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 2
3 Was die Feldstärke begrenzt - I > Details: BCS-Theorie... > Supraleitung wird begrenzt durch Oberflächenstromdichte Magnetfeld (Limit) Temperatur > Bei gegebenem Material (Niob) und Geometrie (Tesla-Shape) erreicht man maximal ~ 55 MV/m Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 3
4 Was die Feldstärke begrenzt- II > Feldemission Anlegen einer Spannung an eine metallische Oberfläche führt zur Emission von Elektronen. Bevorzugt an geometrischen Veränderungen oder Verunreinigungen. Elektronen werden beschleunigt und treffen auf die Oberfläche Dies führt zur Energiedeposition, sprich Erwärmung Verhindert werden kann dies durch Oberflächenbehandlung Aus: Thomas Habermann, Dissertation Universität Wuppertal, WUB-DIS Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 4
5 Was die Feldstärke begrenzt- III > Quench Übergang von Supraleitung zu Normalleitung Lokaler Effekt an 'Defekten' mit höherem Oberflächenwiderstand > Geometrische Defekte (Schweißnaht, Verformung) > Verunreinigung (Fremdeinschlüsse, Niob-Verbindungen) Erhöhte Energieumwandlung des Beschleunigungfeldes in Wärme führt zu überschreiten der kritischen Temperatur Bei mangelnder Wärmeabfuhr breitet sich die Normalleitung aus und das Beschleunigungsfeld bricht zusammen. Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 5
6 Optische Inspektion I > Kamera fotografiert über Spiegel die Innenseite einer Cavity > Beleuchtung findet über 9 LED Streifen statt > Details des Aufbaus: S. Aderhold, Diplomanden- und Doktorandenseminar > Aktuelle Ergebnisse: S. Aderhold, Proceedings of IPAC 2010, Kyoto, WEPEC005 Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 6
7 Optische Inspektion II > Bilder decken Winkel von ca. 4 Grad ab 90 Fotos pro Äquator > ca. 810 Bilder pro Cavity > 2616x3488 Pixel > Effektive Auflösung: 3,5 µm/pixel > Datenformat: Bitmap > ~ 26 MB pro Datei > Wie hängen 'Defekte' mit Problemen der Supraleitung zusammen? > Wie finde ich Defekte in diesem Datenberg? Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 7
8 Objekterkennung Schritt für Schritt > Es gibt keinen goldenen Weg!!! Keine einheitliche Theorie, nicht mal objektive Kriterien > Je nach Bildart / Aufgabenstellung neue Ansätze Biologie/Medizin: Krebsforschung, MRT Militär: Satellitenbilder / Wärmebilder Sicherheitsysteme: Fingerabdruck / Gesichtserkennung Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 8
9 Objekterkennung Schritt für Schritt > Image Formatting / Creating > Image Processing (low level / high level, bottom up oder top down) > Image Segmentation > Segmentation Analysis / Segment Description > Pattern Recognition Welcher Schritt kommt wann? Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 9
10 Beispiel Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 10
11 Beleuchtung ausgleichen Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 11
12 Beleuchtung ausgleichen Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 12
13 Intensitätsvariationen hervorheben Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 13
14 Intensitätsvariationen hervorheben Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 14
15 Rauschen filtern Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 15
16 Bild Segmentieren > Aufteilen in Hintergrund Regionen (komplementäre Menge Bild \ Hintergrund) Das Bild ist die Vereinigung aller Regionen plus Hintergrund > Ein Pixel ist immer nur Element einer Region > Regionen können noch zusammengeführt werden (merging) > Am Ende des Algorithmus ist ein Bild in Segmente unterteilt > Diese müssen identifiziert / erkannt werden Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 16
17 Image Segmentation Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 17
18 Image Processing / Segmentation Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 18
19 Image Processing / neuer Algorithmus Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 19
20 Image Processing / neuer Algorithmus Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 20
21 Image Segmentation Histogram Based (Otsu's Methode) > Trennen der Pixel nach Background und Regions Watershed Transformation > Bild wird als Gebirge interpretiert. Topographische Ebenen werden als Layer ausgeschnitten. Quadtree-Segmentation > Bild wird in 2^n mal 2^n Bloecke unterteilt. Wenn Kriterium (z.b. Homogenität) erfüllt ist, bleibt der Block erhalten. Wenn nicht wird der Block wieder unterteilt. Region-Growing > Vergleich Iij zu <I> der Region. Wenn die Differenz unter Threshold dann gehört Pixel dazu (brauch Startpixel) Pulsed Coupeld Neural Network (PCNN) Cat Vision > Für jedes Pixel gibt es ein Neuron welche mit Nächsten-Nachbarn verbunden ist. Externe und interne Stimuli werden kombiniert und genutzt. Iterative Berechnung erzeugt pulsartigen Output PDE-Basiert > Kontur vorgeben. Originale Kontur hat den Funktionswert null. Dadurch entsteht ein Fluss (active contours, snake ) K-Mean Segmentierung > K-fache Iteration, Pixel wird Cluster nach Kriterien zugeordnet. Cluster ist Region im beliebigen Parameterraum, in welchem auch das Kriterium festgelegt wird und auf das maximiert wird Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 21
22 Watershed-Transformation Aus: M. Sonka, V. Hlavac, R. Boyle, Image Processing, Analysis and Machine Vision, Chapman & Hall Computing, 1993 Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 22
23 Watershed-Transformation Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 23
24 Quadtree-Segmentation Aus: M. Sonka, V. Hlavac, R. Boyle, Image Processing, Analysis and Machine Vision, Chapman & Hall Computing, 1993 Example taken from Mathworks Homepage: box/images/ref/qtdecomp.html Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 24
25 Quadtree-Segmentation Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 25
26 Colorbased-Segmentation Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 26
27 Segment Analyse > Parameter Fläche Pixel Connectivity Halbachsen + Exzentrizität Perimeter ~ Umfang Solidity = [Pixel des Segmentes] / [Pixel der konvexen Hülle] Centroid = Punkt, um den die Intensität der Region gleichmässig verteilt ist Compactness = (Länge des Umfangs)^2/Fläche Curvature Descriptor = [Pixel in denen sich die Richtung ändert] / [Summe aller Pixel des Segmentes] Bending Energy = die Energie, welche notwendig ist ein Stab auf die gewünschte Form zu bringen Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 27
28 Andere Parameter Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 28
29 Objekterkennung Oder: Was sagen mir die Parameter? > Was ist Defekt, was Korngrenze, was Reflektion > Welche Klassen von Unregelmässigkeiten > Welchen Classifier nutze ich? Neuronale Netze Decision Tree Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 29
30 Von 2D nach 3D >Extended Focus Externes Programm basiert auf Complex wavelet-based method B. Forster, D. Van De Ville, J. Berent, D. Sage, M. Unser, " Complex Wavelets for Extended Depth-of-Field: A New Method for the Fusion of Multichannel Microscopy Images," Microsc. Res. Tech., 65(1-2), pp , September Marc Wenskat Biomedical Imaging Ecole Polytechnique Federale de Automatische Objekterkennung in supraleitenden Cavities Page 30 Lausanne
31 Von 2D nach 3D Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 31
32 Von 2D nach 3D Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 32
33 Von 2D nach 3D Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 33
34 Zukunft Bildbearbeitung nach Segmentation? Segmentation in Abhängigkeit von Beleuchtung / Defekten? Andere Segmentierungsmöglichkeiten testen Finde Satz an Parameter welcher erlaubt Zusammenhang zwischen Defekt und Feldemission / Quench herzustellen Simulationen zum Gegencheck? Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 34
35 Zusammenfassung Zwecks Qualitätssicherung müssen Defekte auf Oberflächen gefunden werden Zum besseren Verstehen müssen Zusammenhänge der Defekte mit Effekten gefunden werden Basierend auf der optischen Inspektion entwickelt von Kyoto / DESY werden Fotos ausgewertet Auswertung soll automatisch und in Echtzeit erfolgen Marc Wenskat Automatische Objekterkennung in supraleitenden Cavities Page 35
Optische Inspektion von supraleitenden HFResonatoren bei DESY. Sebastian Aderhold Frühjahrstagung der DPG Bonn,
Optische Inspektion von supraleitenden HFResonatoren bei DESY Sebastian Aderhold Frühjahrstagung der DPG Bonn, 15.3.2010 Motivation > Linearbeschleuniger brauchen hohe Gradienten XFEL Design-Gradient:
MehrDistributed Algorithms. Image and Video Processing
Chapter 6 Optical Character Recognition Distributed Algorithms for Übersicht Motivation Texterkennung in Bildern und Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben
Mehr6. Texterkennung in Videos Videoanalyse
6. Texterkennung in Videos Videoanalyse Dr. Stephan Kopf 1 Übersicht Motivation Texterkennung in Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben 3. Auswahl der Buchstabenpixel
MehrBeschleunigung von Bild-Segmentierungs- Algorithmen mit FPGAs
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Algorithmen mit FPGAs Vortrag von Jan Frenzel Dresden, Gliederung Was ist Bildsegmentierung?
MehrVisuelle Bildsuche und Bildnavigation. Prof. Dr. Kai Uwe Barthel
Visuelle Bildsuche und Bildnavigation Prof. Dr. Kai Uwe Barthel Übersicht Probleme der Bildsuche Textbasierte Bildsuche Visuelle (Low-Level-)Bildsuche Fusion der Suchprinzipien Automatisches Bildverstehen
Mehr3D-Rekonstruktion aus Bildern
Allgemeine Nachrichtentechnik Prof. Dr.-Ing. Udo Zölzer 3D-Rekonstruktion aus Bildern Dipl.-Ing. Christian Ruwwe 41. Treffen der ITG-Fachgruppe Algorithmen für die Signalverarbeitung HSU Hamburg 24. Februar
MehrDeep Learning für Automatische Dokumentanalyse
Deep Learning für Automatische Dokumentanalyse apl. Prof. Marcus Liwicki DIVA Group, University of Fribourg MindGarage, University of Kaiserslautern marcus.liwicki@unifr.ch www.mindgarage.de Können Sie
MehrImplizite Modellierung zur Objekterkennung in der Fernerkundung
Implizite Modellierung zur Objekterkennung in der Fernerkundung Mitarbeiterseminar 20.01.2011 (IPF) Fakultät für Bauingenieur-, Geo- und Umweltwissenschaften KIT Universität des Landes Baden-Württemberg
MehrOptische Inspektion von supraleitenden Cavities
Optische Inspektion von supraleitenden Cavities Lea Steder DESY FLA-ILC DPG Frühjahrstagung 04. März 2013 1/ 19 Optische Inspektion von SRF Cavities - Lea Steder DPG Frühjahrstagung 4.3. 2013 Inhalt 1
MehrSegmentierung. Vorlesung FH-Hagenberg SEM
Segmentierung Vorlesung FH-Hagenberg SEM Segmentierung: Definition Die Pixel eines Bildes A={a i }, i=1:n, mit N der Anzahl der Pixel, werden in Teilmengen S i unterteilt. Die Teilmengen sind disjunkt
MehrHochfrequenzparameter
Hochfrequenzparameter Prof. Dr. H. Podlech 1 Hochfrequenzparameter Pillbox Resonator TE 111 Elektrisches Feld Magnetisches Feld Prof. Dr. H. Podlech 2 Hochfrequenzparameter Gradient E a undlaufzeitfaktor
MehrOptische Inspektion von supraleitenden Cavities
Optische Inspektion von supraleitenden Cavities Lea Steder DESY FLA-ILC DPG Frühjahrstagung 04. März 2013 1/ 19 Optische Inspektion von SRF Cavities - Lea Steder DPG Frühjahrstagung 4.3. 2013 Inhalt 1
MehrChaos-based Image Encryption
1 / 25 PS Einführung Kryptographie und IT-Sicherheit Chaos-based Image Encryption D. Schwarz, S. Ebner SS 2017 2 / 25 Übersicht 1 Einleitung & Motivation 2 Erstellung einer Chaos basierten Verschlüsselung
MehrWasserscheiden-Ansätze zur Bildsegmentierung I
Seminar Bildsegmentierung und Computer Vision Wasserscheiden-Ansätze zur Bildsegmentierung I Stefan Sugg 19.12.2005 Gliederung 1. Einführung 2. Morphologische Grundlagen 3. Simulation durch Überflutung
MehrNavigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform. Thorsten Jost INF-M2 AW1 Sommersemester
Navigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform Thorsten Jost INF-M2 AW1 Sommersemester 2008 Agenda Motivation Feature Detection Beispiele Posenbestimmung in Räumen
MehrAUSBILDUNG für INDUSTRIELLE BILDVERARBEITUNG - Skizze für tertiären Bereich
AUSBILDUNG für INDUSTRIELLE BILDVERARBEITUNG - Skizze für tertiären Bereich FH-Prof. DI. Kurt Niel University of Applied Sciences Upper Austria Faculty of Engineering and Environmental Sciences kurt.niel@fh-wels.at
MehrSuperpixels for Skin Segmentation
Farbworkshop Wuppertal 2014 1 Superpixels for Skin Segmentation Frerk Saxen und Ayoub Al-Hamadi 2 Fachgebiet Neuro-Informationstechnik Unter Leitung von Prof. Ayoub Al-Hamadi 18 Mitarbeiter Davon 12 Doktoranden
Mehr5. Objekterkennung in Bildern und Videos Videoanalyse
5. Objekterkennung in Bildern und Videos Videoanalyse Stephan Kopf 1 Übersicht Motivation Anforderungen an Objekterkennungsalgorithmen Objekterkennung mittels Konturen Helligkeiten Farben Formen Objekterkennung
MehrBildsegmentierung mit Snakes und aktiven Konturen
Bildsegmentierung mit Snakes und aktiven Konturen 5. Dezember 2005 Vortrag zum Seminar Bildsegmentierung und Computer Vision Übersicht 1 2 Definition der Snake Innere Energie S(c) 3 Statisches Optimierungsproblem
MehrAngkor - Geländevisualisierung
Visualization and Numerical Geometry Group Universität Heidelberg 24. Juni 2005 Einführung 1/2 Eine einfache und weit verbreitete Art der Visualisierung von großflächigem Gelände besteht in der Visualisierung
MehrWas bisher geschah. Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch
Was bisher geschah Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch Punktoperationen (Farbtransformation) f : col1 col
MehrEchtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung
MehrScene Reconstruction with Multiple View Geometry
Scene Reconstruction with Multiple View Geometry Anwendungen 2 16.06.2010 Nikolaus Rusitska nikolausrusitska@gmx.de Inhalt Rückblick Techniken Related Work Fazit 1 Rückblick Techniken Related Work Fazit
MehrComputer Vision: Segmentierung I
Computer Vision: Segmentierung I D. Schlesinger TUD/INF/KI/IS Der Plan: D. Schlesinger () CV: Segmentierung I 1 / 13 Segmentierung Man hat das... Man braucht das. D. Schlesinger () CV: Segmentierung I
MehrHumanoide Roboter Erlernen von Ballannahme, Positionierung zum Ball und gezieltes Schiessen. Sebastian Jakob
Humanoide Roboter Erlernen von Ballannahme, Positionierung zum Ball und gezieltes Schiessen Sebastian Jakob Einführung Grundlegende Fragen beim Ballspiel Wie erreiche ich den Ball? Wie schieße ich ein
MehrDreidimensionales Computersehen SS 2016
Dreidimensionales Computersehen SS 2016 Folien zur Vorlesung Dr.-Ing. Simon Winkelbach www.robotik-bs.de/teaching/courses/cs Dreidimensionales Computersehen Dr.-Ing. Simon Winkelbach http://www.robotik-bs.de/teaching/courses/cs
MehrKünstliche Intelligenz
1. Juni, 2017 Künstliche Intelligenz Stand der Forschung, Aktuelle Probleme & Herausforderungen Prof. Dr. Roland Kwitt Fachbereich Computerwissenschaften Universität Salzburg Übersicht Begrifflichkeiten
Mehr... Text Clustern. Clustern. Einführung Clustern. Einführung Clustern
Clustern Tet Clustern Teile nicht kategorisierte Beispiele in disjunkte Untermengen, so genannte Cluster, ein, so daß: Beispiele innerhalb eines Clusters sich sehr ähnlich Beispiele in verschiedenen Clustern
MehrProjektgruppe. Clustering und Fingerprinting zur Erkennung von Ähnlichkeiten
Projektgruppe Jennifer Post Clustering und Fingerprinting zur Erkennung von Ähnlichkeiten 2. Juni 2010 Motivation Immer mehr Internet-Seiten Immer mehr digitale Texte Viele Inhalte ähnlich oder gleich
MehrKapitel ML: X (Fortsetzung)
Kapitel ML: X (Fortsetzung) X. Clusteranalyse Einordnung Data Mining Einführung in die Clusteranalyse Hierarchische Verfahren Iterative Verfahren Dichtebasierte Verfahren Cluster-Evaluierung ML: X-31 Cluster
MehrRingvorlesung Bildverarbeitung
Ringvorlesung Bildverarbeitung D. Schlesinger Institut für Künstliche Intelligenz, Professur Intelligente Systeme 6. Juli 2012 D. Schlesinger (Institut Ringvorlesung für Künstliche Bildverarbeitung Intelligenz,
MehrAutomatic segmentation for dental operation planning. Diplomarbeit. Nguyen The Duy
Automatic segmentation for dental operation planning Diplomarbeit Nguyen The Duy 24.02.2012 Motivation Quelle: bestbudapestdentist.com Aufgabenstellung Segmentierung des Oberkiefers (Maxilla) Detektion
MehrMessen optischer Größen, Messen aus Bildern Übersicht Optische Strahlung, Sensorik Geometrie, Photogrammetrie Kamerakalibrierung Stereo
Messen optischer Größen, Messen aus Bildern Übersicht Optische Strahlung, Sensorik Geometrie, Photogrammetrie Kamerakalibrierung Stereo Menschliche Wahrnehmung Neurophysiologie Kognitive Psychologie Digitale
MehrSegmentierung 2. Segmentation. M. Thaler, TG208 Bildverarbeitung ZHAW, BV HS17, M. Thaler. Juni 17 1
Segmentierung 2 Segmentation M. Thaler TG208 tham@zhwin.ch Juni 17 1 1 Inhalt Einführung Kantenbasierte Segmentierung Intensitätsbasierte Segmentierung global Thresholding: Verteilung von Pieleigenschaften
MehrProjektarbeit: Ein Verfahren zur Erzeugung stabiler Differenzbilder
Projektarbeit: Ein Verfahren zur Erzeugung stabiler Differenzbilder AG Eingebettete Systeme und Robotik (RESY),, http://resy.informatik.uni-kl.de/ 1. Einführung 2. Filterung des Kamerarauschens 3. Feature
MehrAutomatische Sichtprüfung und Bildverarbeitung für die Bewertung der Qualität beschichteter Oberflächen
Automatische Sichtprüfung und Bildverarbeitung für die Bewertung der Qualität beschichteter Oberflächen Prof. Dr.-Ing. Michael Heizmann Dr.-Ing. Stefan Werling DFO Karlsruhe, 21. Oktober 2014 Fraunhofer-Institut
MehrHochtemperatur - Supraleiter
Hochtemperatur - Supraleiter Vergleich: Leiter - Supraleiter Elektrischer Leiter: R ändert sich proportional mit T Supraleiter: unterhalb von Tc schlagartiger Verlust des Widerstands Supraleitung Sprungtemperatur
Mehrkurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.
kurze Wiederholung der letzten Stunde: Neuronale Netze martin.loesch@kit.edu (0721) 608 45944 Labor Wissensrepräsentation Übersicht Neuronale Netze Motivation Perzeptron Grundlagen für praktische Übungen
MehrKamerabasierte Erkennung von Fußgängern in urbanen Verkehrsszenen
Kamerabasierte Erkennung von Fußgängern in urbanen Verkehrsszenen Vortragender: Studiengang: Betreuer: Yeyi Qiu Fahrzeugtechnik Prof. Dr. rer. nat. Toralf Trautmann M. Sc. Patrick Richter Seite 01 von
MehrSQUID. Superconducting Quantum Interference Device Funktionsweise und Anwendungen. Christian Bespin
SQUID Superconducting Quantum Interference Device Funktionsweise und Anwendungen Christian Bespin 20.06.2016 Motivation Abb.: Hämäläinen et al. Magnetoencephalography 2 Supraleitung Eigenschaften: Verschwindender
MehrRoundwood Tracking using Log End Biometrics
Roundwood Tracking using Log End Biometrics R. Schraml, J. Charwat-Pessler, A. Petutschnigg, K. Entacher, A. Uhl Traceability of logs by means of digital images (TreeBio) 2012-2015 GER FB Computerwissenschaften
MehrNeue Ansätze für Mustererkennung und automatisches Lernen
Z Y X Neue Ansätze für Mustererkennung und automatisches Lernen Vortrag im Rahmen des 2. Technologieforums Bildverarbeitung am 03./04. November 2015 Johannes Zügner STEMMER IMAGING GmbH, Puchheim GLIEDERUNG
MehrHauptseminar KDD SS 2002
Hauptseminar KDD SS 2002 Prof. Dr. Hans-Peter Kriegel Eshref Januzaj Karin Kailing Peer Kröger Matthias Schubert Session: Clustering HS KDD, Ludwig-Maximilians-Universität München, SS 2002 1 Inhalt Einleitung
MehrNight Vision. Mojgan Mohajer FU-Berlin Sommer 2005
Night Vision Mojgan Mohajer FU-Berlin Sommer 2005 Night Vision Mojgan Mohajer FU-Berlin Sommer 2005 Night Vision Mojgan Mohajer FU-Berlin Sommer 2005 Night Vision Mojgan Mohajer FU-Berlin Sommer 2005 Inhalt
MehrStructure-from-Motion. Christina Mundhenk Leo Sylvio Rüdian Marcel Kliemannel
Structure-from-Motion Christina Mundhenk Leo Sylvio Rüdian Marcel Kliemannel Fahrplan Structure-from Motion Workflow mit SIFT & Bundle Adjustment mit SURE Probleme/ Grenzen Technik Metrik und Vergleich
MehrEntwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion
Entwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion Vortrag Seminararbeit David Pogorzelski Aachen, 22.01.2015 Agenda 1 2 3 4 5 Ziel der
MehrToshiba Teli USB3-Vision-Kameras
Toshiba Teli USB3-Vision-Kameras Kameras USB3-Vision-Kameras von Toshiba Teli Das USB-3.0-Vision-Kameraprogramm beinhaltet diverse CCD- und CMOS-Sensoren als S/W- und Farbkameramodelle mit Auflösungen
MehrMultimedia-Metadaten und ihre Anwendung
Multimedia-Metadaten und ihre Anwendung 14.02.2006 Automatische Gesichtserkennung Dominikus Baur Gesichtserkennung in MPEG-7 MPEG-7 bietet Face Descriptor zur Beschreibung von Gesichtern Im Folgenden:
MehrEntwicklung einer robusten Methode zur Berechnung von Stereokorrespondenzen
Entwicklung einer robusten Methode zur Berechnung von Stereokorrespondenzen Seminar - Wintersemester 2010/2011 Fakultät Technik und Informatik Department Informatik Gregory Föll Übersicht Rückblick Stereo
MehrZiel: Erkennen von Geraden allgemeiner: von einfachen parametrischen Kurven (Kreise, Ellipsen...)
6. Die Hough-Transformation (sprich: "haff") P.V.C. Hough, Patentschrift von 1962 Ziel: Erkennen von Geraden allgemeiner: von einfachen parametrischen Kurven (Kreise, Ellipsen...) Anwendung: Detektion
MehrArtificial Intelligence. Was ist das? Was kann das?
Artificial Intelligence Was ist das? Was kann das? Olaf Erichsen Tech-Day Hamburg 13. Juni 2017 Sehen wir hier bereits Künstliche Intelligenz (AI)? Quelle: www.irobot.com 2017 Hierarchie der Buzzwords
MehrElementare Bildverarbeitungsoperationen
1 Elementare Bildverarbeitungsoperationen - Kantenerkennung - 1 Einführung 2 Gradientenverfahren 3 Laplace-Verfahren 4 Canny-Verfahren 5 Literatur 1 Einführung 2 1 Einführung Kantenerkennung basiert auf
MehrObjektorientierte Bildverarbeitung Methodische Grundlagen
ARC GmbH Objektorientierte Bildverarbeitung Methodische Grundlagen Klaus Steinnocher, Florian Kressler klaus.steinnocher@arcs.ac.at Geschäftsfeld Umweltplanung ARC http://www.arcs.ac.at/s 1 ARC GmbH Einleitung!
MehrTutorial Laserscanning: Automatisierung der Modellierung
Tutorial Laserscanning: Automatisierung der Modellierung Dr.-Ing. Fredie Kern Univ.-Prof. Dr.-Ing. habil. Wolfgang Niemeier Dipl.-Ing. Martin Zumstrull 1 Inhaltsverzeichnis 1. Was kann modelliert werden
MehrCorpus based Identification of Text Segments. Thomas Ebert Betreuer: MSc. Martin Schmitt
Corpus based Identification of Text Segments Thomas Ebert Betreuer: MSc. Martin Schmitt Übersicht 1. Motivation 2. Ziel der Arbeit 3. Vorgehen 4. Probleme 5. Evaluierung 6. Erkenntnisse und offene Fragen
Mehr3D-Oberflächen-Rekonstruktion und plastisches Rendern aus Bilderserien
plastisches Rendern aus Bilderserien Sebastian Schäfer Carsten Heep Detlef Krömker Unterstüzung: Thomas Lehmann Krister Smith Naturmuseum Senckenberg Übersicht Motivation & Problemstellung Verfahren Anforderungen
MehrEntwicklungsstudien für den ILC: Messungen und Simulationen für eine GEM-TPC
Entwicklungsstudien für den ILC: Messungen und Simulationen für eine GEM-TPC Bernhard Ledermanna), Tobias Barvich a), Jochen Kaminski b), Steffen Kappler c), Thomas Müllera) a) Institut für Experimentelle
MehrSegmentierung des Aterienbaums
Segmentierung des Aterienbaums Christoph Schaefer Seminar: Bildverarbeitung für die Medizin Universität Koblenz-Landau 27.01.2007 1 Anwendungsgebiete 2 Segmentierung Überblick Deformierbare Modelle Snake
Mehr3D-BILDVERARBEITUNG VON DER PROBLEMSTELLUNG ZUM ERGEBNIS MAURICE LINGENFELDER, ENTWICKLUNG BILDVERARBEITUNG, STEMMER IMAGING
3D-BILDVERARBEITUNG VON DER PROBLEMSTELLUNG ZUM ERGEBNIS MAURICE LINGENFELDER, ENTWICKLUNG BILDVERARBEITUNG, STEMMER IMAGING WARUM 3D-BILDVERARBEITUNG? Freiformflächen mit undefinierten Fehlern Tiefe des
MehrMustererkennung. Übersicht. Unüberwachtes Lernen. (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren Gaussian-Mixture Modelle
Mustererkennung Unüberwachtes Lernen R. Neubecker, WS 01 / 01 Übersicht (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren 1 Lernen Überwachtes Lernen Zum Training des Klassifikators
MehrDekonvolution von Omnikamerabildern
1 / 23 Dekonvolution von Omnikamerabildern Tobias Börtitz, Hermann Lorenz, Lutz Krätzer, Josef Söntgen Betreuer: Richard Schmidt HTW Dresden, Deutschland Abschluß Präsentation 15. Februar 2012 2 / 23 1
MehrMathematische Grundlagen III
Mathematische Grundlagen III Maschinelles Lernen III: Clustering Vera Demberg Universität des Saarlandes 7. Juli 202 Vera Demberg (UdS) Mathe III 7. Juli 202 / 35 Clustering vs. Klassifikation In den letzten
Mehr5. Clusteranalyse. Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer Clusterstruktur kennen, verschiedene
Mehr3. Analyse der Kamerabewegung Video - Inhaltsanalyse
3. Analyse der Kamerabewegung Video - Inhaltsanalyse Stephan Kopf Bewegungen in Videos Objektbewegungen (object motion) Kameraoperationen bzw. Kamerabewegungen (camera motion) Semantische Informationen
MehrProjekt Lesebrille : Mobiles Vorlesegerät für Blinde
Projekt Lesebrille : Mobiles Vorlesegerät für Blinde Texterkennung Vorverarbeitung Rauschen Kontrasterhöhung, Schärfung Binarizierung Layouterkennung Dokumentgrenzen Textblöcke, Textspalten Ausrichtung
Mehr5. Clusteranalyse Vorbemerkungen. 5. Clusteranalyse. Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Vorbemerkungen 5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer
MehrVerarbeitung von Volumenbildern wichtige Werkzeuge
Verarbeitung von Volumenbildern wichtige Werkzeuge Verarbeitung von Volumenbildern Michael Godehardt, Fraunhofer ITWM Überblick:. Problemstellungen. Distanztransformation. Einfache morphologische Transformationen
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning (II) Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 25.07.2017 1 von 14 Überblick Faltungsnetze Dropout Autoencoder Generative Adversarial
MehrProseminar "Aufgabenstellungen der Bildanalyse und Mustererkennung"
Fakultät Informatik, Institut für künstliche Intelligenz, Intelligent Systems Proseminar "Aufgabenstellungen der Bildanalyse und Mustererkennung" Lokale Merkmalsdeskriptoren Jens Stormberg - Dresden, 19.06.2009
MehrSchnelles Denken - Maschinelles Lernen mit Apache Spark 2
Schnelles Denken - Maschinelles Lernen mit Apache Spark 2 Heiko Spindler Apache Spark - Components Machine Learning Machine learning explores the construction and study of algorithms that can learn from
MehrAnwendung und Auswertung von photogrammetrischen Verfahren zur Analyse von Leuchtdichtemessungen
Themengebiet: [Messtechnik & Normen] Anwendung und Auswertung von photogrammetrischen Verfahren zur Analyse von Leuchtdichtemessungen Bleicken, J. R. 1 ; Faecks, N. 1 ; Cappitelli, M. 1 ; Prof. Dr. sc.
MehrMotivation. Einige Leute sagen, dass der Raum eine Art rechnender Computer sei...
Intro Kreis Pendelraum Doppelspalt Motivation Einige Leute sagen, dass der Raum eine Art rechnender Computer sei... Konrad ZUSE in seinem Buch: Rechnender Raum von 1969. Douglas ADAMS in dem utopischen
MehrAnalyse komplexer Szenen mit Hilfe von Convolutional Neural Networks
Analyse komplexer Szenen mit Hilfe von Convolutional Anwendungen 1 Vitalij Stepanov HAW-Hamburg 24 November 2011 2 Inhalt Motivation Alternativen Problemstellung Anforderungen Lösungsansätze Zielsetzung
MehrSuche nach korrespondierenden Pixeln
Suche nach korrespondierenden Pixeln Seminar Algorithmen zur Erzeugung von Panoramabildern Philip Mildner, Gliederung 1. Motivation 2. Anforderungen 3. Moravec Detektor 4. Harris Detektor 5. Scale Invariant
MehrHow to make a PIXAR movie
How to make a PIXAR movie Non-Photorealistic Rendering Definition NPR is an area of computer graphics that focuses on enabling a wide variety of expressive styles for digital art. Alternativbezeichnungen:
MehrEinführung in die medizinische Bildverarbeitung SS 2013
Einführung in die medizinische Bildverarbeitung SS 2013 Stephan Gimbel 1 Kurze Wiederholung Gradienten 1. und 2. Ableitung grad( f ( x, y) ) = f ( x, y) = f ( x, y) x f ( x, y) y 2 f ( x, y) = 2 f ( x,
MehrBildverbesserung (Image Enhancement)
Prof. Dr. Wolfgang Konen, Thomas Zielke Bildverbesserung (Image Enhancement) WS07 7.1 Konen, Zielke Der Prozess der Bildverbesserung (1) Bildverbesserung wird häufig dafür eingesetzt, die für einen menschlichen
MehrComputergrafik 2: Übung 7. Hough Transformation
Computergrafik 2: Übung 7 Hough Transformation Organisation KLAUSURANMELDUNG (UNIWORX) NICHT VERGESSEN! Computergrafik 2 SS2012 2 Quiz Berechnung der ersten Ableitung eines Bildes? Berechnung der zweiten
MehrFunktionswerkstoffe. supraleitend. Halbleiter. Elektronische Eigenschaften - Einleitung
Funktionswerkstoffe Elektronische Eigenschaften - Einleitung Bandstruktur Elektronenverteilung (Fermi-Dirac) Elektronenbeweglichkeit und Leitfähigkeit Metalle Elektronenanregung Leitfähigkeitsänderungen
MehrSozialwissenschaftliche Modelle und Daten SoSe 2010
Sozialwissenschaftliche Modelle und Daten SoSe 2010 LS Sozialwissenschaftliche Methodenlehre und Sozialstatistik C. Dudel C. Dudel Sozialwissenschaftliche Modelle und Daten SoSe 2010 1 23 1 Formalia 2
MehrWas bisher geschah. Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch
Was bisher geschah Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch Punktoperationen (Farbtransformation) f : col 1 col
MehrInteraktive Lokalisierung durch Objekterkennung
Interaktive Lokalisierung durch Objekterkennung Bachelor Thesis Adrian Batzill Motivation GPS Abweichungen - Guter Tag: ~5m - Wahrscheinlicher: >15m Kompass Abweichungen: - Normal ~3-10 Für Augmented Reality
MehrOptimierungsalgorithmen
Optimierungsalgorithmen Effektives Rendern in der Computergraphik Benjamin Schneider Agenda 1. Einleitung 2. Grundlagen 3. Algorithmen im Detail 4. Weitere Techniken 5. Verbesserungen 6. Fazit Einleitung
MehrInhalt und Überblick. Visuelle Kognition WS 2001/2002 Adrian Schwaninger
Visuelle Kognition WS 2001/2002 Adrian Schwaninger Nonaccidental Properties Argumente pro Nonaccidental Properties Einleitung Inhalt und Überblick Repräsentation, Erkennung, Kategorisierung Traditioneller
MehrSegmentierung. Inhalt. Segmentierung
Segmentierung Inhalt Segmentierung Definition der Segmentierung Kantenbasierte Segmentierung Regionenbasierte Segmentierung Globaler Schwellenwert (threshold) Adaptiver Schwellenwert Region Growing Segmentierung
MehrDigitales Zürich. Gerhard Schmitt ETH Zürich, Singapore-ETH Centre SEC 5. Juli Gerhard Schmitt. Information Architecture. 5.
Digitales Zürich ETH Zürich, Singapore-ETH Centre SEC 5. Juli 2016 5. Juli 2016 1 Was ist eine intelligente Stadt der Zukunft? Smart People Smart City Responsive City Big Data in der Stadtplanung: Gebäude,
Mehr1 Erste Schritte in 3D (Photoshop Extended)
1 Erste Schritte in 3D (Photoshop Extended) Wenn Sie mit Photoshop CS5 Extended arbeiten, stehen Ihnen umfangreiche 3D-Funktionen zur Verfügung. Dieser kleine Schnupperkurs soll eine erste Kontaktaufnahme
MehrDepth from Focus 3D Scanning
Fakultätsname Informatik, XYZ, Fachrichtung Computergraphik XYZ, und Institutsname Visualisierung XYZ, Professur XYZ Depth from Focus 3D Scanning Roy Ledermüller Betreuer Dr. Anita Sellent, Prof. Stefan
MehrWeitere Untersuchungen hinsichtlich der Anwendung von KNN für Solvency 2. Tom Schelthoff
Weitere Untersuchungen hinsichtlich der Anwendung von KNN für Solvency 2 Tom Schelthoff 30.11.2018 Inhaltsverzeichnis Deep Learning Seed-Stabilität Regularisierung Early Stopping Dropout Batch Normalization
MehrBild-Erkennung & -Interpretation
Kapitel I Bild-Erkennung & -Interpretation FH Aachen / Jülich, FB 9 Prof. Dr. rer.nat. Walter Hillen (Dig Img I) 1 Einführung Schritte zur Bilderkennung und Interpretation: Bild-Erfassung Vorverarbeitung
MehrMaschinelles Lernen zur Quantifizierung und Defekterkennung an lichtmikroskopischen Bildern prismatischer Li-Ionen Zellen
Maschinelles Lernen zur Quantifizierung und Defekterkennung an lichtmikroskopischen Bildern prismatischer Li-Ionen Zellen Andreas Jansche, Florian Trier, Pius Schirle, Andreas Kopp, Timo Bernthaler, Ulrich
MehrFaltungsnetzwerke. (Convolutional Neural Networks) Maximilian Schmidt. Faltungsnetzwerke
(Convolutional Neural Networks) Maximilian Schmidt 1 Inhalt Deconvolution ConvNet Architektur History Convolution layer Layers ReLu layer Pooling layer Beispiele Feature Engineering 2 Das Ziel Klassifizierung
MehrBeschleuniger-Technologien der Zukunft
Beschleuniger-Technologien der Zukunft Plasma und Co. Matthias Gross Beschleuniger-Technologien der Zukunft Berlin Adlershof, 10. Mai 2014 Beschleunigertypen > Gleichspannung (statisch) > Wechselspannung
Mehr1 Erste Schritte in 3D (Photoshop Extended)
1 Erste Schritte in 3D (Photoshop Extended) Wenn Sie mit Photoshop CS4 Extended arbeiten, stehen Ihnen umfangreiche 3D-Funktionen zur Verfügung. Dieser kleine Schnupperkurs soll eine erste Kontaktaufnahme
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
Mehr