Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
|
|
- Kirsten Beyer
- vor 6 Jahren
- Abrufe
Transkript
1 Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung ,
2 TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung homogene Objekte Lokalisation über Kamerabilder ( Verpose ) Erkennung des Arbeitspunktes Kamera Schrauber mit Kamera PC mit Verpose-Software Output
3 Markerloses outside-in Tracking Aufbau Controller Kamera Controller Feature-Tracking Kanten-Tracking Controller Ablauf 2D-Merkmale extrahieren, auswählen, verfolgen 3D-Korrespondenzen berechnen 6D-Objekt in Punktewolke finden, Pose berechnen intel i5-4570s (4x2,9GHz) intel i7-5930k (6x3,9GHz) Datenmenge: ca. 0,25 Gigabyte pro Sekunde (8 30Hz und 1MP Auflösung)
4 Markerloses Tracking mit Feature-Punkten Features für 6D Tracking: Bild-Punkte (2D), die in aufeinander folgenden Frames erkannt und trotz Objektbewegungen zugeordnet werden können. Kamerabild Vergrößerung Featurepunkte Erkennung: FAST -Algorithmus [Rosten und Drummond, 2006] Zuordnung: Berechnung einer Signatur ( FREAK-Deskriptor ) für jeden Punkt [Alahi et al., 2012] Zeitliche Verfolgung der Features: Track 2D
5 Markerloses Tracking mit Feature-Punkten 2D Tracking Neu entwickelter Ansatz zum 2D-Tracking (ca. 2ms/Frame)
6 Markerloses Tracking mit Feature-Punkten Bildung von 3D-Korrespondenzen von zusammengehörenden 2D-Featurepunkten Nutzung von Deskriptoren und geometrische Nebenbedingungen Erzeugt 3D-Punktewolke 3D-Punkt z y x Kamera 1 Kamera 2
7 Markerloses Tracking mit Feature-Punkten Bestimmung der 6D-Initialpose ( Fangen des Targets ) Teaching: 3D Szene (Punktewolke) z y x Objekt-Modell 3D-Feature Positionen 2D/3D-Deskriptoren
8 Markerloses Tracking mit Feature-Punkten markerloses 6D-Tracking: Genauigkeit: ca. +/- 2mm, Echtzeit-Tracking bei 30Hz mit 4 Kameras möglich
9 Markerloses Tracking mit Objektkanten Schwach / nicht texturierte Objekte: Tracking von Kanten anstatt Feature-Punkten Kamerabild Kantenbild Unterschiede zu Features Kanten sind nur in einer Richtung lokalisierbar Kaum Deskriptor-Informationen verfügbar
10 Markerloses Tracking mit Objektkanten z y Erster Schritt für das 6D-Tracking: Initialpose muss gefunden werden Deskriptoren wie beim Feature-Tracking nicht verfügbar Kein Hinweis auf Zuordnung!? Kantenmodell Kamerabild gefangene Pose Ansatz zum Fangen der Pose: Linemod Templatebasiertes 2D-Verfahren Suche nach übereinstimmenden Bildkanten Für Multikamera-Posenschätzung erweitert Linemod: Hinterstoisser et al., 2012, Gradient Response Maps for Real-Time Detection of Texture-Less Objects x
11 Markerloses Tracking mit Objektkanten 6D-Linemod:
12 Markerloses Tracking mit Objektkanten Pose und Edgeletpositionen im Bild sind bekannt Frame N Edgelets liegen auf den Kanten Objekt bewegt sich nach oben Edgelets nicht mehr auf den Kanten Kanten sind nur in einer Richtung lokalisierbar Frame N+1 Suche senkrecht zu den Edgelets nach neuen Kanten Anpassung der Pose über Ausgleichsrechnung in 2D über alle Kameras Edgelets auf den Kanten
13 Markerloses Tracking mit Objektkanten markerloses 6D-Tracking: Genauigkeit: ca. +/- 2mm, Echtzeit-Tracking mit 30Hz in bis zu 8 Kameras möglich
14 Jetzt: Umfelderkennung Problemstellung: Aktuelle Schraubposition bei Fließfertigung nicht bekannt Wichtig zur automatisierten Qualitätskontrolle Bei Outside-In Tracking: Line-of-sight problem Daher: Kamera am Werkzeug
15 Verify Pose ( Verpose ) 1 Kamerabasierte Ermittlung von Schraubpositionen Ziel: Vier Schraubpunkte sicher erkennen Nicht-Schraubpunkt ( Garbage ) sicher erkennen
16 Verpose: Lösungsansatz Herausforderungen: Verwechselbarkeit, variierende Umgebung (Lackfarbe, Lage der Kabel) Lösung Systematische, statistische Analyse der Umgebung Machine-Learning zur automatischen Identifikation relevanter Bildinformationen Verschiedene Ansätze verfügbar (Neuronale Netze, Bag-of-Words, Random Forests,...)
17 Verpose: Lösungsansatz mit Convolutional Neural Networks Convolutional Neural Network (CNN, dt. faltendes neuronales Netzwerk ) Aufbau: Feature map Feature vector Feature vector Klassifizierung Wahrsch. [%] Feature map Input 1 4 x 60 x x x 120 x 120 Gewichtung & Kompression Merkmals-Extraktion Faltung: Klassifikation Löcher werden betont Filter Bild Ergebnis 2 3 Schraubpunkt 4
18 Convolutional Neural Networks (CNNs) Lernen der Filter und Gewichte erfordert annotierte Daten ( supervised learning ) 4 Feature map Feature vector Feature vector Klassifizierung Vorhersage Wahrheit 1 4 x 60 x x Fehler zwischen Vorhersage & Daten 4 x 120 x 120 Back propagation Lernen der Filter: Layer 2 Layer 1 Initialisierung nachher Initialisierung Schraubpunkt nachher Wahrscheinlichkeit Feature map Input
19 CNN Training Erfordert eine große Anzahl von Trainingsdaten (Ideal: > 10 Samples / Parameter) Trainingskarosserie 1857 Bilder 1 Karosserie 1 Lackfarbe Bandkarosserien Bilder 10 Karosserien Mehrere Lackfarben Garbage 697 Bilder 1 Karosserie nicht-schraubpunkte Evaluation erfolgt über ein vom Training unabhängiges Testset Bandkarosserien 1210 Bilder 300 Karosserien verschiedene Lackfarben Forschungsaufgaben Netzkonfiguration komplex Framework für weitreichende Tests entwickelt Overfitting Generierung automatischer Bildvariationen Garbage-Erkennung nicht durch Klasse 0 möglich Gatekeeper über Autoencoder entwickelt Steigerung der Robustheit Kombination mehrerer (starker) Klassifikatoren
20 Ergebnis Verpose: Erkennung Schraubpunkte: >98% / Erkennung Garbage: > 98%
21 Ergebnis Verpose: Erkennung Schraubpunkte: >98% / Erkennung Garbage: > 98%
22 Vielen Dank! Demos am Stand von ART!
Neue 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
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
MehrNutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten
Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Albert-Ludwigs-Universität zu Freiburg 13.09.2016 Maximilian Dippel max.dippel@tf.uni-freiburg.de Überblick I Einführung Problemstellung
MehrKünstliche Intelligenz
1. Juni, 2017 Künstliche Intelligenz Stand der Forschung, Aktuelle Probleme & Herausforderungen Prof. Dr. Roland Kwitt Fachbereich Computerwissenschaften Universität Salzburg Übersicht Begrifflichkeiten
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
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
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
MehrVolkswagen Data Lab Connected Car Fahrererkennung mit MATLAB
Volkswagen Data Lab Connected Car Fahrererkennung mit MATLAB K-SI/LD1 Julia Fumbarev München, 27.06.2017 Mega-Trend: Fahrzeugvernetzung Herausforderungen für die OEMs: 4Synchronisierung unterschiedlicher
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische
MehrTheoretische Informatik 1
Theoretische Informatik 1 Boltzmann Maschine David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2014 Übersicht Boltzmann Maschine Neuronale Netzwerke Die Boltzmann Maschine Gibbs
MehrOberflächennahe und ferne Gestenerkennung mittels 3D-Sensorik
Oberflächennahe und ferne Gestenerkennung mittels 3D-Sensorik 26.10.2016 Gliederung Gesten für Mensch-Maschine Interaktion Anwendungsszenario Interaktive Projektionssitzkiste Herausforderungen Lösungsansatz
MehrIntelligente Algorithmen Einführung in die Technologie
Intelligente Algorithmen Einführung in die Technologie Dr. KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Natürlich sprachliche
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 Aufgaben der letzten Stunde Übersicht Neuronale Netze Motivation Perzeptron Multilayer
MehrAutomatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten
Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten Dipl.-Ing. Daniel Tantinger Fraunhofer Institut für Integrierte Schaltungen IIS, Erlangen, Deutschland Automatische Erkennung
MehrNeuronale Netze Aufgaben 3
Neuronale Netze Aufgaben 3 martin.loesch@kit.edu (0721) 608 45944 MLNN IN FLOOD3 2 Multi Layer Neural Network (MLNN) Netzaufbau: mehrere versteckte (innere) Schichten Lernverfahren: Backpropagation-Algorithmus
MehrVerkehr Analyse. Inhalt. Was ist Verkehr Analyse? Geschichte der Verkehr Analyse. Iavor Jelev Jintao Ding
Inhalt Verkehr Analyse Iavor Jelev Jintao Ding Was ist Verkehr Analyse? Wozu ist die Verkehr Analyse gut? Wie kann man Verkehr Analyse machen? Anwendungsbeispiele Algorithmen für Verkehr Analyse Geschichte
MehrInhalt. 4.1 Motivation. 4.2 Evaluation. 4.3 Logistische Regression. 4.4 k-nächste Nachbarn. 4.5 Naïve Bayes. 4.6 Entscheidungsbäume
4. Klassifikation Inhalt 4.1 Motivation 4.2 Evaluation 4.3 Logistische Regression 4.4 k-nächste Nachbarn 4.5 Naïve Bayes 4.6 Entscheidungsbäume 4.7 Support Vector Machines 4.8 Neuronale Netze 4.9 Ensemble-Methoden
MehrModellierung mit künstlicher Intelligenz
Samuel Kost kosts@mailbox.tu-freiberg.de Institut für Numerische Mathematik und Optimierung Modellierung mit künstlicher Intelligenz Ein Überblick über existierende Methoden des maschinellen Lernens 13.
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Neuronale Netze WS 2014/2015 Vera Demberg Neuronale Netze Was ist das? Einer der größten Fortschritte in der Sprachverarbeitung und Bildverarbeitung der letzten Jahre:
Mehr3D-Aspekte bei der Bildfusion am Beispiel von IR- und VIS-Daten Referenten: Dipl.-Ing. Torsten Koch PD Dr. Karl-Heinz Franke
3D-Aspekte bei der Bildfusion am Beispiel von IR- und VIS-Daten Referenten: Dipl.-Ing. Torsten Koch PD Dr. Karl-Heinz Franke Bildmaterial mit freundlicher Genehmigung von JenOptik L.O.S. Zielstellung 4
MehrKonzepte der AI Neuronale Netze
Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale
MehrBachelorarbeit Erkennung von Fließtext in PDF-Dokumenten
Bachelorarbeit Erkennung von Fließtext in PDF-Dokumenten 16.08.2016 David Spisla Albert Ludwigs Universität Freiburg Technische Fakultät Institut für Informatik Gliederung Motivation Schwierigkeiten bei
MehrKamera-basierte Objekterkennung
Kamera-basierte Objekterkennung Deep Machine Learning. Version 2.0 Einführung Motivation & Megatrends Motivation In der Logistik verursacht die Identifizierung (das Scannen) der Produkte, Pakete, Paletten,
MehrML-Werkzeuge und ihre Anwendung
Kleine Einführung: und ihre Anwendung martin.loesch@kit.edu (0721) 608 45944 Motivation Einsatz von maschinellem Lernen erfordert durchdachtes Vorgehen Programmieren grundlegender Verfahren aufwändig fehlerträchtig
MehrADL Erkennung mit Smartwatches
Data Mining zur Realzeiterkennung von Aktivitäten des täglichen Lebens, Dr. Rainer Lutze Problemstellung / Zielsetzung 2 Zielsetzungen ADL Activities of Daily Living - Aktivitäten des täglichen Lebens
MehrVorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke
Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,
MehrAutomatische Kalibrierung eines Kamerasystems zur Verkehrsdatenerfassung auf Basis von Navigationssensorik Sebastian Schulz, DLR-TS-ANL
DLR.de Folie 1 03.03.2015, ASW 2016, Wildau Automatische Kalibrierung eines Kamerasystems zur Verkehrsdatenerfassung auf Basis von Navigationssensorik Sebastian Schulz, DLR-TS-ANL DLR.de Folie 2 Agenda
Mehr, Data Mining, 2 VO Sommersemester 2008
Evaluation 188.646, Data Mining, 2 VO Sommersemester 2008 Dieter Merkl e-commerce Arbeitsgruppe Institut für Softwaretechnik und Interaktive Systeme Technische Universität Wien www.ec.tuwien.ac.at/~dieter/
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
MehrSeminar Kognitive Robotik. Interne Modelle I Vorwärtsmodelle Vortragender: Rüdiger Timpe
Seminar Kognitive Robotik Interne Modelle I Vortragender: Rüdiger Timpe Quellen Miall/Wolpert: Forward Models for Physiological Motor Control (1996) Blakemore/Wolpert/Frith: Why can't you tickle yourself?
MehrEinführung in das Maschinelle Lernen I
Einführung in das Maschinelle Lernen I Vorlesung Computerlinguistische Techniken Alexander Koller 26. Januar 2015 Maschinelles Lernen Maschinelles Lernen (Machine Learning): äußerst aktiver und für CL
MehrVisual Servoing using Mutual Information
Visual Servoing using Mutual Information Christian Rupprecht Robotics and Embedded Systems Technische Universität München Outline 1 Visual Servoing Was ist Visual Servoing? Typische Lösungsansätze 2 Mutual
MehrBildverarbeitung in der Qualitätskontrolle. Sebastian Zambal LEADING INNOVATIONS
Bildverarbeitung in der Qualitätskontrolle Sebastian Zambal LEADING INNOVATIONS Überblick Profactor Grundlagen Bildverarbeitung HW, SW, Methoden Inspektion Gussteilen Inspektion CFK, GFK Projekte EMVA-Studie:
MehrNeue Trends aus dem maschinellen Lernen in Photogrammetrie und Fernerkundung. Jan Dirk Wegner Photogrammetry and Remote Sensing, ETH Zürich
Neue Trends aus dem maschinellen Lernen in Photogrammetrie und Fernerkundung Jan Dirk Wegner Photogrammetry and Remote Sensing, ETH Zürich 1 Worum geht es? 2 Worum geht es? Jolanda Jan Bilderbuch 3 Worum
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
MehrMustererkennung und Klassifikation
Mustererkennung und Klassifikation WS 2007/2008 Fakultät Informatik Technische Informatik Prof. Dr. Matthias Franz mfranz@htwg-konstanz.de www-home.htwg-konstanz.de/~mfranz/heim.html Grundlagen Überblick
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
MehrEin Structure and Motion Ansatz zur Umfeldrekonstruktion in komplexen Fahrzeugumgebungen
Sicherheit durch Fahrerassistenz 2010 Ein Structure and Motion Ansatz zur Umfeldrekonstruktion in komplexen Fahrzeugumgebungen Wojciech Derendarz, Thorsten Graf Volkswagen AG Friedrich M. Wahl TU Braunschweig,
MehrBayes Klassifikatoren M E T H O D E N D E S D A T A M I N I N G F A B I A N G R E U E L
Bayes Klassifikatoren M E T H O D E N D E S D A T A M I N I N G F A B I A N G R E U E L Inhalt Grundlagen aus der Wahrscheinlichkeitsrechnung Hypothesenwahl Optimale Bayes Klassifikator Naiver Bayes Klassifikator
MehrKünstliche Neuronale Netze
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Künstliche Neuronale Netze Hauptseminar Martin Knöfel Dresden, 16.11.2017 Gliederung
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
MehrErkennung von Fußgängern
Erkennung von Fußgängern Sensoren Radar Laserscanner Kameras sichtbares Spektrum Infrarot Verwandte Forschungsgebiete Automatische Überwachung oft feste Kamera Wiedererkennung von Personen Interesse an
MehrTUD Computer Poker Challenge
TUD Computer Poker Challenge The Challenge of Poker Björn Heidenreich 31. März 2008 The Challenge of Poker Björn Heidenreich 1 Anforderungen an einen guten Poker-Spieler Hand Strength Hand Potential Bluffing
MehrGlobale und Individuelle Schmerz-Klassifikatoren auf Basis relationaler Mimikdaten
Globale und Individuelle Schmerz-Klassifikatoren auf Basis relationaler Mimikdaten M. Siebers 1 U. Schmid 2 1 Otto-Friedrich-Universität Bamberg 2 Fakultät für Wirtschaftsinformatik und Angewandte Informatik
MehrReranking. Parse Reranking. Helmut Schmid. Institut für maschinelle Sprachverarbeitung Universität Stuttgart
Institut für maschinelle Sprachverarbeitung Universität Stuttgart schmid@ims.uni-stuttgart.de Die Folien basieren teilweise auf Folien von Mark Johnson. Koordinationen Problem: PCFGs können nicht alle
MehrIndustrie 4.0 und Smart Data
Industrie 4.0 und Smart Data Herausforderungen für die IT-Infrastruktur bei der Auswertung großer heterogener Datenmengen Richard Göbel Inhalt Industrie 4.0 - Was ist das? Was ist neu? Herausforderungen
MehrTheoretical Analysis of Protein-Protein Interactions. Proseminar SS 2004
Theoretical Analysis of Protein-Protein Interactions Proseminar Virtual Screening: Predicting Pairs from Sequence Übersicht Einleitung 1.Modell: Vorhersage von Protein-Interfaces aus Sequenzprofilen und
MehrTracking Technologien für Augmented Reality
Tracking Technologien für Augmented Reality 1 Inhalt Motivation Tracking Methoden Optisch MarkerlessTracking (kleine Wiederholung) Aktiv und Passive Marker Modellbasiertes Markerless Tracking Sensoren
MehrComputer Vision: AdaBoost. D. Schlesinger () Computer Vision: AdaBoost 1 / 10
Computer Vision: AdaBoost D. Schlesinger () Computer Vision: AdaBoost 1 / 10 Idee Gegeben sei eine Menge schwacher (einfacher, schlechter) Klassifikatoren Man bilde einen guten durch eine geschickte Kombination
MehrPhishingerkennung mittels visuellem Ähnlichkeitsvergleich. Felix Hill Ruhr-Universität Bochum felix.hill@rub.de
Phishingerkennung mittels visuellem Ähnlichkeitsvergleich Felix Hill Ruhr-Universität Bochum felix.hill@rub.de 1 ÜBERSICHT Entwicklung im Bereich Phishing Ansatz Bilderkennung Evaluation G DATA EINFACH
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
MehrEvent-basierte Visualisierung zeitabhängiger Datensätze
Fakultät Informatik, Institut für Software- und Multimediatechnik, Professur für Computergrafik zeitabhängiger Datensätze Florian Weidner Dresden, 3. Jun 2013 (Betreut von Dr. Sebastian Grottel) Gliederung
MehrSoftware zur Erkennung von Körperhaltungen K Bildschirmarbeitsplätzen. tzen. Referent: Markus Kirschmann
Software zur Erkennung von Körperhaltungen K an Bildschirmarbeitsplätzen tzen Vortrag zur Diplomarbeit Neuronale Mehrklassifikatorsysteme zur Erkennung der Körperhaltung K in Bildschirmarbeitsplatzumgebungen
MehrNeuronale Netze. Literatur: J. Zupan, J. Gasteiger: Neural Networks in Chemistry and Drug Design, VCH, Weinheim, 2nd Ed. 1999, ISBN 978-3-527-29779-5
Neuronale Netze Eine Reihe von ganz verschiedenen Methoden werden als Neuronale Netze (NN) bezeichnet. Die wichtigsten sind: - Feed forward, back propagation -NN (am meisten verwendet) - Kohonen-Netze:
Mehr3.3 Nächste-Nachbarn-Klassifikatoren
3.3 Nächste-Nachbarn-Klassifikatoren Schrauben Nägel Klammern Neues Objekt Instanzbasiertes Lernen (instance based learning) Einfachster Nächste-Nachbar-Klassifikator: Zuordnung zu der Klasse des nächsten
MehrSpace Usage Rules. Neele Halbur, Helge Spieker InformatiCup 2015 19. März 2015
Space Usage Rules? InformatiCup 2015 1 Agenda 1. Vorstellung des Teams 2. Entwicklungsprozess und Umsetzung 3. Verbesserung der Strategien 4. Auswertung der Strategien 5. Ausblick 6. Fazit 2 Vorstellung
MehrWärmebedarfsprognose für Einfamilienhaushalte auf Basis von Künstlichen Neuronalen Netzen
Wärmebedarfsprognose für Einfamilienhaushalte auf Basis von Künstlichen Neuronalen Netzen Internationale Energiewirtschaftstagung Wien - 12.02.2015 Maike Hasselmann, Simon Döing Einführung Wärmeversorgungsanlagen
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation Literatur Inhalt und Ziele der Vorlesung Beispiele aus der Praxis 2 Organisation Vorlesung/Übung + Projektarbeit. 4 Semesterwochenstunden.
Mehr3D Umfeldrekonstruktion über Structure from Motion
A HELLA-Group Company 3D Umfeldrekonstruktion über Structure from Motion Dr. Ralph Hänsel, Hella Aglaia Mobile Vision GmbH 11.12.2015 Symposium Beuth Hochschule Geometrische Modellierung und Computational
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 20.07.2017 1 von 11 Überblick Künstliche Neuronale Netze Motivation Formales Modell Aktivierungsfunktionen
MehrFast-SLAM: Synchrone Lokalisierung und Kartenerstellung mit einem Partikel-Filter
Fast-SLAM: Synchrone Lokalisierung und Kartenerstellung mit einem Partikel-Filter! Landmarkenbasiertes Fast-SLAM! Gitterbasiertes Fast-Slam! Optimierungen Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter
MehrKapitel 4: Schattenberechnung
Kapitel 4: Schattenberechnung 1 Überblick: Schattenberechnung Motivation Schattenvolumen Shadow Maps Projektive Schatten 2 Motivation Wesentlich für die Wahrnehmung einer 3D-Szene Eigentlich ein globaler
MehrWiederholung: Informationssicherheit Ziele
Wiederholung: Informationssicherheit Ziele Vertraulichkeit: Schutz der Information vor unberechtigtem Zugriff bei Speicherung, Verarbeitung und Übertragung Integrität: Garantie der Korrektheit (unverändert,
MehrWie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler
Wie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler Wenn man sie denn gefunden hat, was kann man mit den interessanten Punkten anfangen? /Anwendungsgebiete Wenn man sie denn gefunden
MehrInhaltsbasierte Bildsuche. Matthias Spiller. 17. Dezember 2004
Kantenbasierte Merkmale für die Bildsuche Inhaltsbasierte Bildsuche Matthias Spiller 17. Dezember 2004 Übersicht Übersicht Einleitung Was sind Kanten? Kantenrichtungs Histogramm Der Canny-Algorithmus Feature-Erzeugung
Mehr(Pro-)Seminar Robotik
(Pro-)Seminar Robotik Themenvorstellung Frank Neuhaus, Viktor Seib, Nicolai Wojke {fneuhaus vseib nwojke}@uni-koblenz.de Institut für Computervisualistik Universität Koblenz-Landau 18. April 2012 F. Neuhaus,
MehrTextmining Klassifikation von Texten Teil 2: Im Vektorraummodell
Textmining Klassifikation von Texten Teil 2: Im Vektorraummodell Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten Teil
MehrProbabilistisches Tracking mit dem Condensation Algorithmus
Probabilistisches Tracking mit dem Condensation Algorithmus Seminar Medizinische Bildverarbeitung Axel Janßen Condensation - Conditional Density Propagation for Visual Tracking Michael Isard, Andrew Blake
MehrAutomatic Photo Popup
André Jähnig Hauptseminar Graphische Datenverarbeitung TU Dresden Wintersemester 2005/06 Gliederung Überblick bisherige Arbeiten und die neue Idee geometrische Merkmale und geometrische Klassen Trainings-Daten
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
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
MehrSeminar: Multi-Core Architectures and Programming. Viola-Jones Gesichtsdetektor
Seminar: Multi-Core Architectures and Programming Viola-Jones Gesichtsdetektor Hardware-Software-Co-Design Universität Erlangen-Nürnberg 1 Übersicht Einleitung Viola-Jones Gesichtsdetektor Aufbau Blockmerkmale
MehrSupervised Learning Algorithmus für Stellenanzeigenklassifikation und Jobdeskriptoren Gewinnung
Informatik Pawel Broda Supervised Learning Algorithmus für Stellenanzeigenklassifikation und Jobdeskriptoren Gewinnung Diplomarbeit Ludwig Maximilian Universität zu München Centrum für Informations- und
MehrKalibrierungsfreie Bildverarbeitungsalgorithmen. echtzeitfähigen Objekterkennung im Roboterfuÿball. Thomas Reinhardt Nao-Team HTWK. 26.
zur echtzeitfähigen Objekterkennung im Roboterfuÿball Thomas Reinhardt Nao-Team HTWK Hochschule für Technik, Wirtschaft und Kultur Leipzig 26. Februar 2011 Gliederung 1 2 3 4 5 6 7 YCbCr- Helligkeitskomponente
MehrCompanion Technologie
Companion Technologie Emotionen erkennen, verstehen und kai.bielenberg@haw-hamburg.de Agenda 1. Einleitung a. Was war nochmal Companion Technologie? b. Teilbereiche c. Warum Emotionen? 2. Ansätze a. Facial
MehrCD-AUSGABE (Stand: 1999) HANDBUCH KURSPROGNOSE Quantitative Methoden im Asset Management von Thorsten Poddig 676 Seiten, Uhlenbruch Verlag, 1999 erstmals als Buch publiziert EUR 79,- inkl. MwSt. und Versand
MehrMultivariate Pattern Analysis. Jan Mehnert, Christoph Korn
Multivariate Pattern Analysis Jan Mehnert, Christoph Korn Übersicht 1. Motivation 2. Features 3. Klassifizierung 4. Statistik 5. Annahmen & Design 6. Similarity 7. Beispiel Grenzen & Probleme der klassischen
MehrInhaltliche Planung für die Vorlesung
Vorlesung: Künstliche Intelligenz - Mustererkennung - P LS ES S ST ME Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte der KI, PROLOG 2) Expertensysteme
MehrABV2 R. Neubecker, WS 2015 / 2016
Metrologie ABV2 R. Neubecker, WS 2015 / 2016 IBV-Beispiele 2 Qualitätskontrolle Zündkerzen Prüfaufgaben: Dreistellige Typnummer auf dem Keramikkörper Gewindetiefe Vorhandensein beider Unterlegscheiben
MehrDatenblatt zu EOS Optical Infrared Tracking-System ZGDV, Darmstadt Stand: 06.2006
Datenblatt zu EOS Optical Infrared Tracking-System ZGDV, Darmstadt Stand: 06.2006 Das EOS Optical IR-Tracking-System ist eine kombinierte Hardware-Software-Lösung zur Messung von Positionen von starren
MehrKünstliche Neuronale Netze
Inhalt (Biologische) Neuronale Netze Schwellenwertelemente Allgemein Neuronale Netze Mehrschichtiges Perzeptron Weitere Arten Neuronaler Netze 2 Neuronale Netze Bestehend aus vielen Neuronen(menschliches
MehrIntelligente Klassifizierung von technischen Inhalten. Automatisierung und Anwendungspotenziale
Intelligente Klassifizierung von technischen Inhalten Automatisierung und Anwendungspotenziale Künstliche Intelligenz Machine Learning Deep Learning 1950 1980 2010 Abgeleitet von: https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
MehrCOPE COuPled Evolution of metamodels and models
COPE COuPled Evolution of metamodels and models Diplomarbeit in Zusammenarbeit mit der BMW Car IT (Betreuer: Elmar Jürgens, Sebastian Benz) Markus Herrmannsdörfer 7. November 2007 Perlen der Informatik
MehrDistributed Algorithms. Image and Video Processing
Chapter 7 High Dynamic Range (HDR) Distributed Algorithms for Quelle: wikipedia.org 2 1 High Dynamic Range bezeichnet ein hohes Kontrastverhältnis in einem Bild Kontrastverhältnis bei digitalem Bild: 1.000:1
Mehr(hoffentlich kurze) Einführung: Neuronale Netze. Dipl.-Inform. Martin Lösch. (0721) Dipl.-Inform.
(hoffentlich kurze) Einführung: martin.loesch@kit.edu (0721) 608 45944 Überblick Einführung Perzeptron Multi-layer Feedforward Neural Network MLNN in der Anwendung 2 EINFÜHRUNG 3 Gehirn des Menschen Vorbild
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Unüberwachtes Lernen: Clustern von Attributen
INTELLIGENTE DATENANALYSE IN MATLAB Unüberwachtes Lernen: Clustern von Attributen Literatur J. Han, M. Kamber: Data Mining Concepts and Techniques. J. Han et. al: Mining Frequent Patterns without Candidate
MehrEinführung in Support Vector Machines (SVMs)
Einführung in (SVM) Januar 31, 2011 Einführung in (SVMs) Table of contents Motivation Einführung in (SVMs) Outline Motivation Vektorrepräsentation Klassifikation Motivation Einführung in (SVMs) Vektorrepräsentation
MehrInspektion von spiegelnden Oberflächen. Roland Herrmann Micro-Epsilon Messtechnik GmbH & Co. KG, Ortenburg
Inspektion von spiegelnden Oberflächen Roland Herrmann Micro-Epsilon Messtechnik GmbH & Co. KG, Ortenburg Unternehmensprofil Seit 1968 Kompetenz in präziser Messtechnik Umfassende Produktpalette, entwickelt
MehrKapitel 7 Objekterkennung
Kapitel 7 - Objekterkennung Seite 201 Kapitel 7 Objekterkennung 7.1. Ziel...202 7.2. Separation zusammenhängender Gegenstände...202 7.2.1. Manipulation zum Erkennen des Zusammenhangs...202 7.2.2. Separation
MehrRecovering High Dynamic Range Radiance Maps from Photographs
Recovering High Dynamic Range Radiance Maps from Photographs Christoph Gladisch Einführung Wenn eine Szene photografiert wird, dann entsprechen die Pixelwerte nicht den relativen Leuchtdichten in der Szene.
MehrData Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG
Data Mining mit der SEMMA Methodik Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining Data Mining: Prozeß der Selektion, Exploration und Modellierung großer Datenmengen, um Information
MehrPareto optimale lineare Klassifikation
Seminar aus Maschinellem Lernen Pareto optimale lineare Klassifikation Vesselina Poulkova Betreuer: Eneldo Loza Mencía Gliederung 1. Einleitung 2. Pareto optimale lineare Klassifizierer 3. Generelle Voraussetzung
MehrSprachsteuerung für einen ROS-basierten Assistenzroboter
Masterseminar WS 2014/2015 04.11.2014 Sprachsteuerung für einen ROS-basierten Assistenzroboter Mosawer Ahmad Nurzai M-INF3 Agenda Einführung Arbeiten Projekt 1 Sprachsteuerungsinterface Projekt 2 Unterstützende
MehrBildsegmentierung mit Level Sets
Bildsegmentierung mit Level Sets Seminar Bildsegmentierung und Computer Vision im Wintersemester 2005 Übersicht 1 Übersicht 2 Definitionen Ausbreitungsgeschwindigkeit Übersicht 3 Inter-Frame-basierte Modellierung
MehrMARKERLESS AUGMENTED REALITY. Henrik Brauer
MARKERLESS AUGMENTED REALITY Henrik Brauer Inhalt Was ist Augmented Reality Meine Motivation Grundlagen Positionsbestimmung mit Marker Positionsbestimmung ohne Marker Idee Risiken INHALT Augmented Reality
MehrNaive Bayes für Regressionsprobleme
Naive Bayes für Regressionsprobleme Vorhersage numerischer Werte mit dem Naive Bayes Algorithmus Nils Knappmeier Fachgebiet Knowledge Engineering Fachbereich Informatik Technische Universität Darmstadt
MehrExploration und Klassifikation von BigData
Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)
MehrMethoden zur Cluster - Analyse
Kapitel 4 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig Machine learning in bioinformatics
Mehr