Vorstellung der Themen

Transkript

1 Loss Vorstellung der Themen WS 2016/2017 FR-Netz Deep Net SR-Netz Car Truck Bus Background Projektpraktikum: Bildauswertung und -fusion 9

2 Compressive Sensing for Image Reconstruction Description Compressive Sensing (CS) deals with the problem of an underdetermined linear system It relies on the sparsity and incoherence of the signal for its recovery As a farily new paradigm, it has great potential in various practical settings, such as computatonal photography Targets Literature review of compressive sensing in a holistic way Application of compressive sensing in computational photography Betreuer: M.Sc. Ding Luo 10

3 Simulationsumgebung für Rapid Prototyping von Sichtprüfsytemen Themenbeschreibung: Viele Inspektionsaufgaben erfordern einen speziellen Aufbau Auswahl und Positionierung der einzelnen Komponenten ist zeitaufwendig Auslegung kann mit Simulation des Aufbaus z.b. Raytracing beschleunigt werden Aufgabenbeschreibung: Erstellen einer intuitiven GUI zur Generierung einer Szenenbeschreibung des Aufbaus Anbindung des Raytracers Mitsuba Integration der Simulationsumgebung mit Auswertealgorithmen z.b. Deflektometrie und Streifenlichtprojektion Betreuer: M.Sc. Mahsa Mohammadikaji 11

4 Verarbeitung multisensorieller Daten für die Workflowanalyse Themenbeschreibung: Workflows können eingesetzt werden um Menschen gezielt bei ihrer Arbeit zu unterstützen Hierfür wird ein Ablauf, z.b. ein Montagevorgang, multisensoriell erfasst Durch Analyse der Daten kann u.a. der Ist-Fortschritt des Workflows abgeleitet werden und in eine fortschrittsabhängige Assistenz einfließen Aufgabenbeschreibung: Literaturrecherche zum Thema Workflow Implementierung einer interaktiven GUI zur Generierung sowie zur Darstellung und Analyse multisensorieller Daten Umsetzung mit Python, Qt und ROS Betreuer: Dipl.-Inform. Patrick Philipp 12

5 Deep Learning für Super-Resolution und Wiedererkennung der Gesichter Themenbeschreibung: Die Gesichter aus Überwachungskameras sind oft in niedriger Auflösung und Qualität, die für die Wiedererkennung unzureichend sind. Super-Resolution könnte dabei eingesetzt werden. In vielen Bereichen der Bildauswertung werden aktuell Bestleistungen von tiefen neuronalen Netzen (Deep Learning) erzielt, darunter auch Super-Resolution und Wiedererkennung für die Gesichter. Anstatt separate Netze für die jeweilige Aufgabe zu konstruieren kann man die Netzarchitektur für ein gemeinsames Netz zu optimieren. Es sollen daher die notwendige Gestaltung, Implementierung und Optimierung gemacht und auf ihre Eignung hin getestet werden. FR-Netz SR-Netz Betreuer: Dipl.-Inform. Chengchao Qu / Dipl.-Inform. Christian Herrmann 13

6 Deep Learning für Super-Resolution und Wiedererkennung der Gesichter Aufgabe: Einarbeitung in die Deep-Learning Bibliothek Caffe Definieren von Deep-Learning Architekturen um die beiden Aufgaben zusammen zu lösen Performancetest der implementierten Netze Wünschenswert: Betreuer: Erfahrung in Python Grundkenntnisse über neuronale Netze Dipl.-Inform. Chengchao Qu, Dipl.-Inform. Christian Herrmann, SR-FR-Netz Betreuer: Dipl.-Inform. Chengchao Qu / Dipl.-Inform. Christian Herrmann 14

7 Loss Deep Learning für Fahrzeug Klassifikation und Wiedererkennung in Verkehrsdaten Themenbeschreibung: Im Bereich der Verkehrsüberwachung/-führung spielt die Klassifikation und Wiedererkennung von Fahrzeugen eine zentrale Rolle. Die beste Performance für diese Aufgaben wird aktuell mit tiefen neuronalen Netzen (Deep Learning) erzielt. Die Performance hängt dabei stark von der Wahl der verwendeten Zielfunktion (loss function) ab. Es sollen daher geeignete Loss- Schichten implementiert und auf ihre Eignung hin getestet werden. Deep Net Car Truck Bus Background Betreuer: M.Sc. Lars Sommer Deep Net Same Loss 15 Different Deep Net

8 Deep Learning für Fahrzeug Klassifikation und Wiedererkennung in Verkehrsdaten Aufgabe: Einarbeitung in die Deep-Learning Bibliothek Caffe Untersuchung und Implementierung von Loss-Schichten für Klassifikation und Wiedererkennung Evaluation der implementierten Schichten Wünschenswert: Betreuer: Erfahrung in Python Grundkenntnisse über neuronale Netze M.Sc. Lars Sommer, Betreuer: M.Sc. Lars Sommer 16