Seminar Bildauswertung und -fusion. Verteilung der Themen :00 Uhr

Transkript

1 Seminar Bildauswertung und -fusion Verteilung der Themen :00 Uhr 1

2 Übersicht der Themen 1. Vitalsensorik und Emotionen (Philipp Woock) 2. Compressive Sensing - Grundlagen und Anwendungen (Johannes Meyer) 3. Active Contour Models (Peter Frühberger) 4. BRDF Messung (Thomas Stephan) 5. Bayesian update of Polynomial Chaos representation (Chettapong Janya-anurak) 6. Automatische Differenzierung für maschinelles Lernen (Matthias Richter) 2

3 Vitalsensorik und Emotionen Durch moderne Vitalsensorik (Wearables) können verschiedene Vitaldaten aufgezeichnet werden: Puls, Hautleitfähigkeit, Temperatur, Bewegung etc. Mithilfe dieser Daten sollen Emotionen des Benutzers erkannt werden. Dazu sind Merkmale und Klassifikatoren erforderlich, die dies vorzugsweise in Echtzeit durchführen. Umfassende (!) Literaturrecherche Welche Emotionen sind überhaupt durch Vitaldaten abzubilden? Welche Vitaldaten lassen auf welche Emotion schließen? (Welche Methoden und Modelle werden verwendet?) (Gibt es Unterschiede bei der Datengüte abhängig von der Sensorplatzierung?) Betreuer: Dipl.-Inform. Philipp Woock 3

4 Compressive Sensing Grundlagen und Anwendungen Seit ca. 10 Jahren finden in der Signalverarbeitung neben dem nyquist-shannonschen Abtasttheorem auch Methoden nach der Theorie des Compressive Sensing Anwendung. Dabei wird Vorwissen über das Signal verwendet, sodass eine Rekonstruktion auch mit Samplingfrequenzen 2 gelingt. Quelle: Automatische Sichtprüfung (Beyerer, Puente, Frese 2012) Ausarbeitung der mathematischen Grundlagen. Literaturrecherche zur Anwendung von CS in der Bildverarbeitung und systematische Aufbereitung der Ergebnisse. Betreuer: M.Sc. Johannes Meyer 4

5 Active Contour Models In der industriellen Bildverarbeitung werden Methoden benötigt, um wiederkehrende Inhalte in Bildern zu detektieren. Aufgrund von Rauschen, Bewegung des Objektes, variierender Skalierung, etc. kann mit fest vorgegebenen Masken (Konturen) keine zufriedenstellende Detektion sichergestellt werden. Das Modell muss sich deshalb aktiv an die Kontur anpassen können. Fixes Modell Aktive Kontur Modelldifferenz Modellgestützte Detektion sechseckiger Bereiche Ausarbeitung und Zusammenfassung der mathematischen Grundlagen. Darstellung und Vergleich verschiedener Methoden im Bezug auf Robustheit, benötigte Vorverarbeitung und Rechenaufwand. Betreuer: M.Sc. Peter Frühberger 5

6 BRDF Messung Sowohl in der Bildverarbeitung, als auch in der Computergrafik spielt die Reflektanz von Oberflächen eine wichtige Rolle. Diese wird häufig als BRDF (Bidirectional Reflectance Distribution Function) beschrieben. Das Messen einer BRDF mittels eines Goniometers ist ein sehr zeitaufwendiges Verfahren. Welche Verfahren zur Messung der BRDF gibt es und wie unterscheiden sich diese? Was sind die Vor- und Nachteile der verschiedenen Verfahren? Betreuer: Dipl.-Inform. Thomas Stephan 6

7 Bayesian update of Polynomial Chaos representation Bei einem Schätzungsproblem werden Bayessche Filter standardmäßig eingesetzt. Die bekanntesten Bayessche Filter ist das sogenannte Kalman Filter. Seine Erweiterung, z.b. Extended Kalman Filter, Unscented Kalman Filter oder Ensemble Kalman Filter haben Vorund Nachteile. Polynomial Chaos (PCE) ist die Zerlegung von stochastischen Prozessen mittels orthogonaler Polynome. Die Repräsentation mit Polynomial Chaos bei der Bayesschen Filterung stellt eine neue Herangehensweise dar. - Ausarbeitung der Thematik der Filterung sowie von Polynomial Chaos - Literaturrecherche zum Thema Bayessche Filter mit Polynomial Chaos Repräsentation - Vergleich der PCE Bayesschen Filter mit anderem bekannten Filtern Proceedings of the 14th International Conference on Information Betreuer: Dipl.-Ing. Chettapong Janya-anurak 7

8 Automatische Differenzierung für maschinelles Lernen Viele Verfahren des maschinellen Lernens stützen sich auf Gradienten oder Hessematrizen von Verlustfunktionen. Automatische Differenzierung (AD) bezeichnet Techniken um Ableitungen genau, effizient und vor allem automatisiert zu berechnen. Im maschinellen Lernen findet AD allerdings bisher wenig Beachtung. Überblick: Welche Anzätze zum Differenzieren gibt es? Literaturrecherche zu Techniken des automatischen Differenzierens. Beschreibung, Einordnung und Vergleich ausgewählter Verfahren. Betreuer: Dipl.-Inform. Matthias Richter 8

9 Nächster Termin Einführungsveranstaltung am :00 Uhr am IES 9