Beiträge zur Automatisierung und Optimierung des Entwurfs bildbasierter Erkennungssysteme
|
|
- Andrea Langenberg
- vor 6 Jahren
- Abrufe
Transkript
1 Beiträge zur Automatisierung und Optimierung des Entwurfs bildbasierter Erkennungssysteme Stefanie Peters Andreas König ITG-Fachgruppensitzung, ITG-Fachgruppensitzung, Inhalt Einleitung Bildbasierte Inspektionssysteme Strukturoptimierung Evolutionäre Algorithmen Segmentierung von Bildern Beispiel: Segmentierung dünner Fasern Zusammenfassung und Ausblick Seite 2
2 Einleitung Bildanalyse erfordert technisch ausgefeilte Methoden der Signalverarbeitung und der Computational Intelligence (CI). Struktur (Methodenauswahl & -kombination) und Parameteroptimierung sind hierbei wichtige Schritte im Entwurfsprozess. Teilgebiete können automatisch entwickelt und optimiert werden (z.b. Klassifikator-Design und gewisse dimensionsreduzierende Techniken). Dennoch werden die meisten Entwicklungsschritte weiterhin manuell ausgeführt ( zeit- und kostenintensiv). Vermehrt Forschungsaktivität im Bereich Autokonfiguration und automatischem Design. Source: Fraunhofer ITWM Seite 3 Einsatzgebiete bildbasierter Erkennungssysteme Anwesenheitskontrolle OCR, OCV, Barcode lesen Vermessung Lokalisation Klassifikation Detektion von Oberflächenfehlern Trennung von Objekt und Untergrund Seite 4
3 Aufbau eines Inspektionssystems Ablauf: Sortieranlage Seite 5 Aufbau eines Inspektionssystems Ablauf: 1. Bildaufnahme Sortieranlage Seite 6
4 Aufbau eines Inspektionssystems Ablauf: 1. Bildaufnahme 2. Lokalisierung Sortieranlage Seite 7 Aufbau eines Inspektionssystems Ablauf: 1. Bildaufnahme 2. Lokalisierung 3. Vorverarbeitung 4. Merkmalsberechnung 5. Klassifikation Sortieranlage Seite 8
5 Aufbau eines Inspektionssystems Ablauf: 1. Bildaufnahme 2. Lokalisierung 3. Vorverarbeitung 4. Merkmalsberechnung 5. Klassifikation 6. Steuerung Sortieranlage Seite 9 Inspektionssysteme Sortieranlage Seite 10
6 Unterschiedliche Materialien Zum Beispiel: Metall, Kunststoff, Textilien, Papier, Metall Papier Freiformflächen Holz, Vliesstoffe, Leder, Vlies Holz Textilien Seite 11 Individuelle Anpassung des Bildverarbeitungssystems Prüfgeschwindigkeit Unternehmen Produktion Material Entwickler des BV-Systems Beleuchtung BVsystem Hardware Algorithmen Kameras Seite 12
7 Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM Beispielalgorithmus: Binarisierung Banane Schwelle (T = 1 bis 255, Tmanuell = 98) Kratzer auf Leder Schwelle (T = 145 bis 213, Tmanuell = 194) Seite 13 Motivation: Strukturoptimierung Algorithmen Bildverarbeitungskette Seite 14 7
8 Motivation: Strukturoptimierung Algorithmen Bildverarbeitungskette Seite 15 Evolutionäre Algorithmen Stochastische Suchverfahren, die mit Prinzipien der natürlichen Evolution arbeiten: Population, Selektion, Rekombination (Kreuzung), Mutation. Suche nach einem lokalen Optimum. Quelle: pal-ges/bilder/evolution-poster.jpg Seite 16
9 Merkmale und Eigenschaften Parallele Suche in einer Population von Individuen. Kann mehrere potentielle Lösungen anbieten. Verwendung von Wahrscheinlichkeitsregeln. Erlaubt kontinuierliche und diskrete Variablen. Anwendbar auf große Klassen von Problemen. Verwendung von mehreren Randfunktionen möglich (z.b. Bestrafungselemente). Seite 17 Struktur des Optimierungsalgorithmus Seite 18
10 Abbruchkriterien der Optimierung Ein Individuum der Population erreicht eine vorgegebene Fitness-Schwelle. Die maximale Anzahl von Generationen ist erreicht. Seite 19 Anwendung evolutionärer Algorithmen für die Bildverarbeitung Zielsetzung: Finde eine Bildverarbeitungs-Algorithmenkette und optimiere deren Parameter, so dass ein bestimmtes Zielergebnis erreicht wird. Segmentierung von Bildern: Ein Ergebnisbild der Algorithmenkette gleicht einem manuell erstellten Referenzbild. Feature-Extrahierung und Klassifizierung: Segmentierte Bereiche (Objekte) im Ergebnisbild werden anhand diverser Features (z.b. Texturmerkmale) bewertet. Seite 20
11 Anwendung evolutionärer Algorithmen für die Bildverarbeitung Individuum: Besteht aus einer festen Anzahl ikonischer Bildverarbeitungsalgorithmen (Bild-zu-Bild). Jeder Algorithmus hat eine bestimmte Anzahl von Eingangs- und Ausgabebildern sowie Parametern. Dem Individuum stehen globale Read-Only -Bildspeicher (Originalbilder) und temporäre Bildspeicher ( Read and Write für Zwischenbilder, bzw. Ergebnisbilder) zur Verfügung. Die BV-Algorithmen bilden eine Graphenstruktur, die einzelnen Algorithmen (Knoten des Graphen) werden jedoch sequentiell abgearbeitet. Seite 21 Initialisierung eines Individuums Zufällig werden aus einem Pool von (ikonischen) BV Algorithmen nacheinander einzelne Algorithmen ausgewählt. Der erste Algorithmus kann nur auf die Originalbilder als Eingabebild zugreifen. Das Ergebnisbild wird in einem temporären Bildspeicher abgelegt. Die Parameter des Algorithmus werden zufällig initialisiert. Der zweite Algorithmus kann folglich auf die Originalbilder und den belegten temporären Speicher zugreifen. Dieser Ablauf wird solange wiederholt, bis eine gewünschte Anzahl von Algorithmen erreicht ist. Filter, Morphologische Operationen, Diese Sequenz der BV-Algorithmen bildet einen Graphen (d.h. ein Individuum). Seite 22
12 Beispiel für einen Bildverarbeitungsgraphen Seite 23 Selektion Elitismus: Die n besten Individuen werden ohne Veränderung in die nächste Generation übernommen. Vielfalt: Um die Vielfalt der nächsten Generation zu erhöhen, werden neu initialisierte Individuen gebildet. Für die anschließende Rekombination werden Eltern aus der Generation selektiert. Dies geschieht über eine einfache Tournament-Selektion: Pro Elter werden m zufällig ausgewählte Individuen der Elterngeneration miteinander verglichen. Das Individuum mit der besten Fitness wird Elternteil für die anschließende Kreuzung. Seite 24
13 Rekombination (Kreuzung) Es findet Single-Point-Crossover statt. Die Sequenz der Bildverarbeitungsalgorithmen wird an einer zufälligen Stelle unterbrochen. Von einem Elter werden die Algorithmen vor dem Kreuzungspunkt, von einem zweiten Elter die Algorithmen nach dem Punkt verwendet. Die beiden Teilstränge werden zu einem neuen Individuum zusammengesetzt. Der Vorgang wird solange wiederholt, bis ein überlebensfähiges Individuum entsteht. Seite 25 Rekombination (Kreuzung) Seite 26
14 Rekombination (Kreuzung) Seite 27 Rekombination (Kreuzung) Seite 28
15 Rekombination (Kreuzung) Seite 29 Mutation der neuen Generation Drei Arten von Mutationen können auftreten: Knoten-Mutation: Ein Bildverabeitungsalgorithmus innerhalb des Graphen wird gegen einen zufällig aus dem Pool ausgewählten ausgetauscht. Die Ein- und Ausgabebildpositionen bleiben dabei wenn möglich erhalten. Input/Output-Mutation: Eine Verbindung zwischen zwei Knoten des Graphen wird verändert. Parameter-Mutation: Ein zufälliger Parameter eines Bildverabeitungsalgorithmus wird reinitialisiert. Seite 30
16 Mutation am Beispiel des Graphen Seite 31 Mutation am Beispiel des Graphen Parameter-Mutation Seite 32
17 Mutation am Beispiel des Graphen Knoten-Mutation Seite 33 Mutation am Beispiel des Graphen Input/Output-Mutation Seite 34
18 Anwendung für die Segmentierung/Binarisierung von Bildern Ziel: Finde eine Bildverarbeitungs-Algorithmenkette, so dass das Ergebnisbild einem manuell erstellten Referenzbild gleicht. Dicke und dünne Fasern Manuelle Segmentierung EA Automatische Segmentierung Seite 35 Bestimmung der Fitness eines Individuum für diesen Fall Jedes Ergebnisbild innerhalb eines Individuums wird bewertet. l.o.: Original, r.o.: Referenzbild (manuelle Segmentierung), l.u.: Ergebnisbild (Automatische Segmentierung der dünnen Fasern), r.u.: Differenzbild zwischen manueller und automatischer Segmentierung (nur dünne Fasern) Fitness - beruht auf der Summe der absoluten Differenzen zwischen den Grauwerten des Referenzbildes (objektbezogen) und des Ergebnisbildes: Fitness = Objekte x, y, z g( x, y, z) Normierungsfaktor Referenzbild g( x, y, z) Ergebnisbild + 1 Die beste Fitness der einzelnen Ergebnisbilder bestimmt die Fitness des Individuums. Seite 36
19 Rauschreduktion und Binarisierung Original Referenz Ergebnis Differenz (Referenz, Ergebnis) Zwei Durchläufe für eine automatische Optimierung lieferten folgende Sequenzen von Algorithmen: 1: 2: Rangordnungsfilter, Morph. Schließung (Ergebnis siehe oben) Mittelwertfilter, Binarisierung Seite 37 Segmentierung dünner Fasern in 2d and 3d Bildern Dünne und dicke Fasern (CT) GP GP GP 2d Optimierung: Ergebnis der 2d Optimierung angewendet auf die 3d Volumendaten: 3d Optimierung: Resubstitution (2d) f R = 97.2 % Resubstitution (3d) f R = 96 % Generalisierung (2d) f G = 96.9 % Generalisierung (3d) f G = 92.8 % Generalisierung (3d) f G = 93 % Seite 38
20 Segmentierung linkslaufender Fasern (2d) Original Referenz Ergebnisbild (Unterschiede zum Referenzbild: rot/türkis) Mittelwertfilter, Richtungsabhängige morph. Operationen, Binarisierung Seite 39 Zusammenfassung der Strukturoptimierung Durch variable Fitnessberechnungen (bildbasiert bzw. parameterbasiert) lassen sich eine Vielzahl von Aufgabenstellungen abdecken. Einfache bis mittelschwere Segmentierungsaufgaben können bei minimalem menschlichen Einsatz automatisch gelöst werden. Gerade bei großen Datenmengen (z.b. 3d Daten) kann dies von Vorteil sein. Die Modularität des Systems ermöglicht eine einfache Erweiterung bzw. Einbindung zusätzlicher BV-Algorithmen. Mit wachsender Komplexität und Verfahrenszahl muss Hierarchiebildung durch Einbringung von Vorwissen und damit menschlicher Handarbeit erfolgen. Seite 40
21 Ausblick: Texturerkennung und Filterdesign Auch hier gibt es zahlreiche bewährte Methoden der Analyse: Histogramme, Filter bzw. Filterbänke, Ansatz 1: Die Parameter einer Methode werden anhand diverser Kriterien (Zeit, Erkennungsraten, u.s.w.) optimiert. Ansatz 2: Konkurrierende Methoden dienen als Module für die Optimierung. Ansatz 3: Neue Filter werden generiert. Seite 41 Ausblick: Erweiterung auf weitere Bereiche eines BV-Systems Prüfgeschwindigkeit Unternehmen Produktion Material Entwickler des BV-Systems Beleuchtung BVsystem Hardware Algorithmen Kameras Seite 42
22 Vielen Dank für Ihre Aufmerksamkeit! Seite 43
Evolution und Algorithmen
Kapitel 6 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig Machine learning in bioinformatics
MehrSurvival of the Fittest Optimierung mittels Genetischer Algorithmen
Übung zu Organic Computing Survival of the Fittest Optimierung mittels Genetischer Algorithmen Sabine Helwig Lehrstuhl für Informatik 12 (Hardware-Software-Co-Design) Universität Erlangen-Nürnberg sabine.helwig@informatik.uni-erlangen.de
Mehr10. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 10. Vorlesung Stochastische Optimierung Genetische Algorithmen 10. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
MehrGP-Music: An Interactive Genetic Programming System for Music Generation with Automated Fitness
GP-Music: An Interactive Genetic Programming System for Music Generation with Automated Fitness Raters Brad Johanson, Riccardo Poli Seminarvortrag von Thomas Arnold G ˇ ˇ ˇ ˇ WS 2012/13 TU Darmstadt Seminar
MehrSynthese Eingebetteter Systeme. Übung 6
12 Synthese Eingebetteter Systeme Sommersemester 2011 Übung 6 Michael Engel Informatik 12 TU Dortmund 2011/07/15 Übung 6 Evolutionäre Algorithmen Simulated Annealing - 2 - Erklären Sie folgende Begriffe
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen: Überlebenskampf und Evolutionäre Strategien Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Überblick Einleitung Adaptive Filter Künstliche
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen Teil II Evolutionsfenster durch Mutation und sexuelle Rekombination Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Evolutionäre Algorithmen
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
MehrSeminar Verkehrsinformatik Offline-Optimierung der Lichtsignal-Koordinierung mittels genetischer Algorithmen
Fachhochschule Wedel - SS 2006 Seminar Verkehrsinformatik Offline-Optimierung der Lichtsignal-Koordinierung mittels genetischer Algorithmen Marco Lehmann (wi5909) m@rco-l.de 3. Juli 2006 Gliederung 1.
MehrOptimierung auf rekonfigurierbaren Rechensystemen
Optimierung auf rekonfigurierbaren Rechensystemen Evolution in dynamisch rekonfigurierbarer Hardware Peter Bungert Hartmut Schmeck Institut für Angewandte Informatik und Formale Bescheibungsverfahren (AIFB)
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 19 1 Joachim Schauer ( Institut für
MehrGenetische und Evolutionäre Algorithmen (Vol. 1)
Vortrag über Genetische und Evolutionäre Algorithmen (Vol. ) von Adam El Sayed Auf und Kai Lienemann Gliederung: ) Einführung 2) Grundkonzept 3) Genaue Beschreibung des Genetischen Algorithmus Lösungsrepräsentation
MehrBewertung von Optimierungs- und Zuverlässigkeitsalgorithmen für die virtuelle Produktauslegung
Weimarer Optimierungs- und Stochastiktage 4.0 Bewertung von Optimierungs- und Zuverlässigkeitsalgorithmen für die virtuelle Produktauslegung Dr.-Ing. Andreas Plotzitza, PT/EST4 29. November 2007 1 Inhalt
MehrTechnische Universität Chemnitz. Ein Genetischer Algorithmus zur simultanen Dimensionierung und Strukturierung von Fertigungssystemen
Ein Genetischer Algorithmus zur simultanen Dimensionierung Strukturierung von Fertigungssystemen JENS ARNOLD Fakultät für Informatik D-09107 Chemnitz E-Mail: Jens.Arnold@informatik.tu-chemnitz.de THOMAS
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
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung 1. Einführung 2. Bildverarbeitung 3. orphologische Operationen 4. Bildsegmentierung 5. erkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrGenetische Algorithmen. Uwe Reichel IPS, LMU München 8. Juli 2008
Genetische Algorithmen Uwe Reichel IPS, LMU München reichelu@phonetik.uni-muenchen.de 8. Juli 2008 Inhalt Einführung Algorithmus Erweiterungen alternative Evolutions- und Lernmodelle Inhalt 1 Einführung
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Joachim Schauer Betriebliche Optimierung 1 / 31 1 Metaheuristische Verfahren 2 Joachim Schauer Betriebliche Optimierung 2 / 31 Einleitendes Metaheuristische Verfahren
MehrAnwendung genetischer Algorithmen zur Lösung des n Dame Problems und zur Optimierung von Autoprofilen
Anwendung genetischer Algorithmen zur Lösung des n Dame Problems und zur Optimierung von Autoprofilen Jana Müller Seminar Das Virtuelle Labor Otto von Guericke Universität Magdeburg Gliederung 1. Motivation
Mehr12. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 12. Vorlesung Stochastische Optimierung Differential Evolution 12. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
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
MehrGenetische Algorithmen
Genetische Algorithmen Prof. Dr. Ottmar Beucher Dezember 2001 Genetische Algorithmen 1 Optimierungsaufgaben Ein einfaches Beispiel Prinzipielle Formulierung Lösungsansätze Genetische Algorithmen Anwendungen
MehrMichael Hoßfeld (Autor) Klassifikationssystem für Prägebildaufnahmen von Münzen
Michael Hoßfeld (Autor) Klassifikationssystem für Prägebildaufnahmen von Münzen https://cuvillier.de/de/shop/publications/2100 Copyright: Cuvillier Verlag, Inhaberin Annette Jentzsch-Cuvillier, Nonnenstieg
MehrHauptseminar Repräsentationen für Optimierungsalgorithmen
Stefan Bens Hauptseminar Dresden, 03.07.2008 Inhalt 1. Motivation 2. Einleitung 3. Repräsentationsarten und Eigenschaften 4. Beispiel 5. Zusammenfassung Folie 2 Als Repräsentation bezeichnet man die Kodierung
MehrVerarbeitung von Volumenbildern wichtige Werkzeuge
Verarbeitung von Volumenbildern wichtige Werkzeuge Verarbeitung von Volumenbildern Michael Godehardt, Fraunhofer ITWM Überblick:. Problemstellungen. Distanztransformation. Einfache morphologische Transformationen
MehrOptimale Produktliniengestaltung mit Genetischen Algorithmen
Optimale Produktliniengestaltung mit Genetischen Algorithmen 1 Einleitung 2 Produktlinienoptimierung 3 Genetische Algorithmen 4 Anwendung 5 Fazit Seite 1 Optimale Produktliniengestaltung mit Genetischen
MehrEinführung in die Methoden der Künstlichen Intelligenz. Evolutionäre Algorithmen
Einführung in die Methoden der Künstlichen Intelligenz Evolutionäre Algorithmen Dr. David Sabel WS 2012/13 Stand der Folien: 12. November 2012 Evolutionäre / Genetische Algorithmen Anwendungsbereich: Optimierung
MehrInformatiCup 2009 EvolutionConsole
InformatiCup 2009 EvolutionConsole Wilhelm Büchner Hochschule 19. März 2010 1 1. Das Team Teammitglieder Ralf Defrancesco KION Information Services GmbH Systemadministrator Daniel Herken Scooter Attack
MehrAutomatische Generierung von Bildoperationsketten mittels genetischer Programmierung
See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/266398778 Automatische Generierung von Bildoperationsketten mittels genetischer Programmierung
MehrGenetische Algorithmen
Genetische Algorithmen Von Valentina Hoppe und Jan Rörden Seminar: Künstliche Intelligenz II Dozent: Stephan Schwiebert Gliederung Biologische Evolution Genetischer Algorithmus Definition theoretischer
MehrDigitale Bildverarbeitung
Bernd Jahne Digitale Bildverarbeitung 6., überarbeitete und erweiterte Auflage Mit 248 Abbildungen und 155 Übungsaufgaben und CD-ROM Sy Springer Inhaltsverzeichnis I Grundlagen 1 Anwendungen und Werkzeuge
MehrGenetische Algorithmen von der Evolution lernen
Genetische Algorithmen von der Evolution lernen (c) Till Hänisch 2003, BA Heidenheim Literatur zusätzlich zum Lit. Verz. Nils J. Nilsson Artificial Intelligence Morgan Kaufmann, 1998 Ansatz Bisher: Problemlösung
MehrGenetische Programmierung
15. Juli 2007 Anfang der 90er von John R. Koza entwickelt. Verfahren zur automatisierten Erstellung von Programmen. Von der Evolution inspiriert. Anforderungen an die Möglichst korrekte Lösung ergeben
MehrEvolutionäre (Genetische) Algorithmen
Evolutionäre (Genetische) Algorithmen Ziel, Aufgabe von evolutionären Algorithmen: Optimierung von Objekten mit komplexer Beschreibung, wobei es Parameter gibt. Die Objekte kodiert man so als Bitstrings,
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
Mehr8.1 Einleitung. Grundlagen der Künstlichen Intelligenz. 8.1 Einleitung. 8.2 Lokale Suchverfahren. 8.3 Zusammenfassung. Suchprobleme: Überblick
Grundlagen der Künstlichen Intelligenz 5. April 0 8. Suchalgorithmen: Lokale Suche Grundlagen der Künstlichen Intelligenz 8. Suchalgorithmen: Lokale Suche 8.1 Einleitung Malte Helmert Universität Basel
MehrInhaltsverzeichnis 1 Einleitung Mensch-Maschine-Kommunikation in der Informations- und Kommunikationstechnik Grundbegriffe der Mensch-M
1 Einleitung 1 1.1 Mensch-Maschine-Kommunikation in der Informations- und Kommunikationstechnik... 1 1.2 Grundbegriffe der Mensch-Maschine-Kommunikation... 2 1.3 Disziplinen der Mensch-Maschine-Kommunikation...
MehrEvolutionäre / Genetische Algorithmen. Einführung in die Methoden der Künstlichen Intelligenz. Evolutionäre / Genetische Algorithmen (2) Beispiel
Evolutionäre / Genetische Algorithmen Einführung in die Methoden der Künstlichen Intelligenz PD Dr. David Sabel SoSe 0 Anwendungsbereich: Optimierung von Objekten mit komplexer Beschreibung Objekte: Üblicherweise
MehrVom Zeichen zur Schrift Mit Mustererkennung zur automatisierten Schreiberhanderkennung in mittelalterlichen und frühneuzeitlichen Handschriften
Platzhalter für Bild, Bild auf Titelfolie hinter das Logo einsetzen Vom Zeichen zur Schrift Mit Mustererkennung zur automatisierten Schreiberhanderkennung in mittelalterlichen und frühneuzeitlichen Handschriften
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
MehrEvolutionäre Robotik
Evolutionäre Robotik Evolutionäre Robotik Evolutionäre Robotik Lernen / Adaption erfolgt auf (mindestens 3 Ebenen) Evolutionäre Robotik Lernen / Adaption erfolgt auf (mindestens 3 Ebenen) 1. Adaption Evolutionäre
MehrEvolution im Computer
Evolution im Computer Stephan Pirnbaum @spirnbaum Junior-Consultant @buschmais Steffen Gemkow @SteffenGemkow Geschäftsführer @ObjectFab Infinite-Monkey Theorem Man nehme: Unendliche Anzahl Affen Je Affe
MehrEntwicklung integrierter HW/SW-Systeme Integrierte Hard- und Softwaresysteme 2 Seminar
Entwicklung integrierter HW/SW-Systeme Integrierte Hard- und Softwaresysteme 2 Seminar Jorge Meza jorge.meza@tu-ilmenau.de Zusebau R2082, Tel: -4128 Prof. Dr.-Ing. habil. Andreas Mitschele-Thiel Integrated
Mehrb) Nennen Sie vier hinreichende Bedingungen für Evolution. b) Anzahl fortlaufender Einsen von rechts. c) Sind in a) oder b) Plateaus enthalten?
Übungsblatt LV Künstliche Intelligenz, Evolutionäre Algorithmen (), 204 Exercise. Evolution a) Finden Sie zwei Evolutionsbeispiele auÿerhalb der Biologie. Identizieren Sie jeweils Genotyp, Phänotyp, genetische
MehrDigitale Bildverarbeitung Einheit 7 Bildarithmetik
Digitale Bildverarbeitung Einheit 7 Bildarithmetik Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass man mit
MehrEinführung in die Methoden der Künstlichen Intelligenz. Evolutionäre Algorithmen
Einführung in die Methoden der Künstlichen Intelligenz Prof. Dr. Manfred Schmidt-Schauß SoSe 2018 Stand der Folien: 9. Mai 2018 Evolutionäre / Genetische Algorithmen Anwendungsbereich: Optimierung von
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
MehrAllgemeine Betriebswirtschaftslehre Planungs- und Entscheidungstechniken
FernUniversität in Hagen Lehrstuhl für Betriebswirtschaftslehre, insb. Operations Research Prof. Dr. Wilhelm Rödder Allgemeine Betriebswirtschaftslehre Planungs- und Entscheidungstechniken Sandra Rudolph,
MehrEvolutionäre Algorithmen
Karsten Weicker Evolutionäre Algorithmen 2., überarbeitete und erweiterte Auflage m Teubner Inhaltsverzeichnis 1 Natürliche Evolution 1 1.1 Entwicklung der evolutionären Mechanismen 2 1.2 Evolutionsfaktoren
MehrSignalverarbeitung g für audiovisuelle Kommunikation
University of Applied Science Signalverarbeitung g für audiovisuelle Kommunikation 3. Segmentierung - Morphologische Operationen Morphologische Operationen Morphologie: die Gestalt betreffend Gestalt in
MehrGenetische Programmierung
Bernd Ebersberger Genetische Programmierung Ein Instrument zur empirischen Fundierung ökonomischer Modelle A 234920 Deutscher Universitäts-Verlag Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis
MehrSynthese durch Rechner-Optimierung
4.2.4. Synthese durch Rechner-Optimierung Möglichkeiten zum Finden passender Reglerparameter: 1. Theoretische Synthese (Herleitung der optimalen Werte) 2. Einstellregeln Messungen an der Strecke (z. B.
MehrDigitale Bildverarbeitung Einheit 7 Bildarithmetik
Digitale Bildverarbeitung Einheit 7 Bildarithmetik Lehrauftrag SS 2007 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einsehen, dass man mit
MehrOptimierung und Entwurf mit Evolutionären Algorithmen
Fakultät Informatik, Institut für Angewandte Informatik, Lehrstuhl für Technische Informationssysteme Optimierung und Entwurf mit Evolutionären Algorithmen Dresden, 01.02.2007 Gliederung natürliche Evolution
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
MehrFinanzmarktprognose mit neuronalen Netzen
Reihe: Quantitative Ökonomie Band 131 Herausgegeben von Prof. Dr. Eckart Bomsdorf, Köln, Prof. Dr. Wim Kösters, Bochum, und Prof. Dr. Winfried Matthes, Wuppertal Dr. Christoph A. Hövel Finanzmarktprognose
MehrDigitale Bildverarbeitung (DBV)
Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung
MehrRatSLAM. Torben Becker. 24. Mai HAW Hamburg
HAW Hamburg 24. Mai 2012 Gliederung 1 Motivation 2 3 Aussicht 2 / 21 Motivation Warum SLAM? Navigation Umgebungskartografie Feststellung der Position innerhalb eines Geländes ohne Funksignale Keine vorherige
MehrErfolgversprechende Konfigurationen für Versuche mit Evolutionsstrategien anhand von ausgewählten Testfunktionen
Erfolgversprechende Konfigurationen für Versuche mit Evolutionsstrategien anhand von ausgewählten Testfunktionen Krischan Keitsch 3. Juni 214 Zusammenfassung Um ein Optimierungsproblem mit einer Evolutionsstrategie
MehrImplementation und Evaluierung innovativer Heuristiken für die Anordnung von Entwurfsentscheidungen
Implementation und Evaluierung innovativer Heuristiken für die Anordnung von Entwurfsentscheidungen Diplomarbeit Thomas Scharler Universität Hamburg, FB Informatik, AB Tech Implementation und Evaluierung
MehrComputergrafik 2: Morphologische Operationen
Computergrafik 2: Morphologische Operationen Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies
MehrOptimierung. Vorlesung 12
Optimierung Vorlesung 12 Letze Woche Approximieren von ILP durch randomisiertes Runden. Beispiel Set Cove Relaxiertes LP lösen und runden. Probleme: 1. Zielfunktionswert 2. Zulässigkeit 1. Linearität des
MehrJoachim Schenk Gerhard Rigoll. ~ensch-~aschine KOmn1Unikation. Gnlndlagen von sprach- und bildbasierten Benutzerschnittstellen.
Joachim Schenk Gerhard Rigoll ~ensch-~aschine KOmn1Unikation Gnlndlagen von sprach- und bildbasierten Benutzerschnittstellen ~ Springer Inhaltsverzeichnis 1 Einleitung 1.1 Mensch-Maschine-Kommunikation
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
Mehrb) Nennen Sie vier hinreichende Bedingungen für Evolution. b) Anzahl fortlaufender Einsen von rechts. c) Sind in a) oder b) Plateaus enthalten?
Übungsblatt LV Künstliche Intelligenz, Evolutionäre Algorithmen (1), 2015 Aufgabe 1. Evolution a) Finden Sie zwei Evolutionsbeispiele auÿerhalb der Biologie. Identizieren Sie jeweils Genotyp, Phänotyp,
Mehr2.5 Evolutionäre (Genetische) Algorithmen
KI 1, SS 2011, Kapitel 2, GA 1 2.5 Evolutionäre (Genetische) Algorithmen Das Ziel bzw. die Aufgabe von evolutionären Algorithmen ist eine Optimierung von Objekten mit komplexer Beschreibung, wobei es variable
MehrFortgeschrittene Bildverarbeitung und Analyse
Fortgeschrittene Bildverarbeitung und Analyse Studiengang IEM Inhalt Definition der Bildverarbeitung Verarbeitung-Bearbeitung (Systeme) Grundlagen der Abbildungssysteme Auge, visuelle Wahrnehmung, Kamera,
MehrComputergrafik 2: Morphologische Operationen
Computergrafik 2: Morphologische Operationen Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies
MehrF A C H H O C H S C H U L E W E D E L
F A C H H O C H S C H U L E W E D E L Seminar Verkehrsinformatik Offline-Optimierung der Lichtsignal-Koordinierung mittels genetischer Algorithmen Eingereicht von: Erarbeitet im: Marco Lehmann Hoheluftchaussee
MehrAnwendung von FEMAG-Script: Mehrkriterielle Optimierung - Algorithmus, Umsetzung und Beispiele
FEMAG-Anwendertreffen am 2. und 3. Dezember 2010 Anwendung von FEMAG-Script: Mehrkriterielle Optimierung - Algorithmus, Umsetzung und Beispiele Jens Krotsch, Bernhard Piepenbreier Lehrstuhl für Elektrische
MehrLearning Object-Oriented Programming. Algorithmen. Algorithmusbegriff. Klärung der Herkunft des Begriffs Formale Definition von Algorithmus
Algorithmen Algorithmusbegriff Klärung der Herkunft des Begriffs Formale Definition von Algorithmus Algorithmusbegriff Algorithmen sind eine der ältesten (abstrakten) Beschreibungstechniken für Abläufe.
MehrProjekt-INF Folie 1
Folie 1 Projekt-INF Entwicklung eines Testbed für den empirischen Vergleich verschiedener Methoden des maschinellen Lernens im Bezug auf die Erlernung von Produktentwicklungswissen Folie 2 Inhalt Ziel
MehrLEISTUNGSVERGLEICH VON FPGA, GPU UND CPU FÜR ALGORITHMEN ZUR BILDBEARBEITUNG PROSEMINAR INF-B-610
LEISTUNGSVERGLEICH VON FPGA, GPU UND CPU FÜR ALGORITHMEN ZUR BILDBEARBEITUNG PROSEMINAR INF-B-610 Dominik Weinrich dominik.weinrich@tu-dresden.de Dresden, 30.11.2017 Gliederung Motivation Aufbau und Hardware
MehrDigitale Bildverarbeitung Einheit 12 3D-Modellierung
Digitale Bildverarbeitung Einheit 12 3D-Modellierung Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einen Eindruck
MehrEVOLUTION STRATEGIES DANIELA SCHACHERER SEMINAR: IST KÜNSTLICHE INTELLIGENZ GEFÄHRLICH? SOMMERSEMESTER 2017
EVOLUTION STRATEGIES DANIELA SCHACHERER SEMINAR: IST KÜNSTLICHE INTELLIGENZ GEFÄHRLICH? SOMMERSEMESTER 2017 Inhalt Einleitung und Überblick Evolutionsstrategien Grundkonzept Evolutionsstrategien als Alternative
MehrEinsatz Evolutionärer Algorithmen zur Optimierung der Tourenplanung eines Wachschutzunternehmens
Fachhochschule Brandenburg Fachbereich Informatik und Medien Kolloquium zur Diplomarbeit Einsatz Evolutionärer Algorithmen zur Optimierung der Tourenplanung eines Wachschutzunternehmens Übersicht Darstellung
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung ITK Konzepte aus PAD1/2 Template Klassen Typedefs Smart Pointer (für ITK Objekte) Fehlerbehebung Doku, Mailing-List
MehrGenetische und Evolutionäre Algorithmen (Vol. 2)
Vortrag über Genetische und Evolutionäre Algorithmen (Vol. 2) von Adam El Sayed Auf und Kai Lienemann Gliederung: 4) Rückblick 5) Allgemeine Einführung 6) Genauere Beschreibung von Evolutionären Strategien
MehrAlgorithmen. Von Labyrinthen zu. Gerald Futschek
Von Labyrinthen zu Algorithmen Gerald Futschek Wie kommt man aus einem Labyrinth heraus? Labyrinth (griechisch: Haus der Doppelaxt, wahrscheinlich Knossos auf Kreta) Labrys Grundriss des Palastes von Knossos
MehrSprachsynthese und Spracherkennung
90 Sprachsynthese und Spracherkennung von John N. Holmes Mit 51 Bildern und 69 Übungen mit Lösungshinweisen R. Oldenbourg Verlag München Wien 1991 INHALT Vorwort 11 1 Lautsprachliche Kommunikation 15 1.1
MehrAndreas Scherer. Neuronale Netze. Grundlagen und Anwendungen. vieweg
Andreas Scherer Neuronale Netze Grundlagen und Anwendungen vieweg Inhaltsverzeichnis Vorwort 1 1 Einführung 3 1.1 Was ist ein neuronales Netz? 3 1.2 Eigenschaften neuronaler Netze 5 1.2.1 Allgemeine Merkmale
MehrEvotool Eine Matlab-Toolbox für Evolutionsstrategien. Christian Voigt
Evotool Eine Matlab-Toolbox für Evolutionsstrategien Christian Voigt September 2007 Agenda 1 Einführung 2 Erstellung des Initialisierungsskripts 3 Erstellung einer passenden Fitnessfunktion 4 Graphische
MehrProjektgruppe DynOLog. Informatik 7 & 12 sowie IRPA und IML Frank Weichert. Pascal Libuschewski. Adrian Schyja. Andreas Kamagaew
Projektgruppe DynOLog Dynamische Detektion von Objekten im Kontext von logistischen Anwendungsfällen Informatik 7 & 12 sowie IRPA und IML Frank Weichert Email: frank.weichert@tu-dortmund.de Pascal Libuschewski
MehrArbeitsgruppe Algorithmische Optimale Steuerung
Arbeitsgruppe Algorithmische Optimale Steuerung Prof. Dr. Thomas Slawig Computational Science Center DFG Cluster Future Ocean Christian-Albrechts-Universität Kiel Algorithmische Optimale Steuerung Das
MehrUsability of different illumination, imaging and computing methods for practical applications
Usability of different illumination, imaging and computing methods for practical applications Prof. Dr. Ch. Heckenkamp Hochschule Darmstadt SpectroNet Collaboration Forum 31. August 2016 31.08.2016 Prof.
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung Prof. Dr. Sibylle Schwarz HTWK Leipzig, Fakultät IMN Gustav-Freytag-Str. 42a, 04277 Leipzig Zimmer Z 411 (Zuse-Bau) http://www.imn.htwk-leipzig.de/~schwarz sibylle.schwarz@htwk-leipzig.de
MehrSimulation von Oberflächenveränderungen und defekten zur Bestimmung der Fehlerauffindwahrscheinlichkeit (POD)
DACH-Jahrestagung 2015 Mi.2.C.2 Simulation von Oberflächenveränderungen und defekten zur Bestimmung der Fehlerauffindwahrscheinlichkeit (POD) Markus RAUHUT 1, Falco HIRSCHENBERGER 1, Martin SPIES 2 1 Fraunhofer
MehrAutomatische Generierung von Bildoperationsketten mittels genetischer Programmierung und CMA- Evolutionsstrategie
See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/267096327 Automatische Generierung von Bildoperationsketten mittels genetischer Programmierung
MehrAlltagstaugliche Objekterkennung
servicerobotik autonome mobile Serviceroboter, ZAFH Servicerobotik Institut für Informatik Hochschule Ulm AG Schlegel: B. Sc. Timo Hägele, M. Sc. Siegfried Hochdorfer, M. Sc. Matthias Lutz, M. Sc., M.
MehrVorlesung Digitale Bildverarbeitung Sommersemester 2013
Vorlesung Digitale Bildverarbeitung Sommersemester 2013 Sebastian Houben Institut für Neuroinformatik Sliding-Window Idee: Trainiere einen binären Klassifikator mit zwei Klassen von Bildausschnitten: dem
MehrBachelorverteidigung Marco Franke
Bachelorverteidigung Java EE Webservice basiert auf RESTlet, JaxB und JPA/Hibernate zur Bilderkennung mit Hilfe der SURF-Merkmalsextraktion Verantwortlicher Professor: Prof. Dr. rer. nat. Klaus Hering
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Antialiasing Graphische DV und BV, Regina Pohle, 5. Antialiasing 1 Einordnung in die Inhalte der Vorlesung Einführung mathematische
MehrLU Grundlagen der digitalen Bildverarbeitung Abgabe 2. Gruppe 25 peter holzkorn andreas bretschneider martin tintel
LU Grundlagen der digitalen Bildverarbeitung Abgabe 2 Gruppe 25 peter holzkorn 0426262 andreas bretschneider 0327444 martin tintel 0402913 Beispiel 6 Texturanalyse und Texturklassifikation Texturklassen
MehrGenetisches Programmieren einfacher Roboterfähigkeiten
Genetisches Programmieren einfacher Roboterfähigkeiten Ingo Boersch SG Informatik Vortrag Motivation Problemstellung Lösungsidee, Versuchsaufbau Experimente Video Ergebnisse, Zukunft 2 Motivation Lebewesen
MehrTechnische Raytracer
Technische Raytracer 2 s 2 (1 (n u) 2 ) 3 u 0 = n 1 n 2 u n 4 n 1 n 2 n u 1 n1 n 2 5 Optimierung 19.23 MM Double Gauss - U.S. Patent 2,532,751 Scale: 1.30 ORA 03-Jun-13 Optimierung Startkonfiguration Heutzutage
MehrGenetische Algorithmen
Genetische Algorithmen In dieser Ausarbeitung gemäss Aufgabenstellung auf der Kurshomepage des Moduls Knowledge- Based Systems wird die Funktionsweise und Nutzung von genetischen Algorithmen erläutert.
MehrDigitale Bildverarbeitung - Rechnerübung 3
Digitale Bildverarbeitung - Rechnerübung 3 1. Khoros Zur Durchführung der Rechnerübung wird das Programmpaket KHOROS mit seiner Benutzerschnittstelle Cantata verwendet. Nach der Anmeldung am Rechner durch
Mehr