Übertragbarkeit spezifischer Bildanalyse-Verfahren auf andere Use-Cases

  • chair:Design anwendungsspezifischer Convolutional Neural Networks (CNN) im Maschinenbau
  • type:Masterarbeit
  • time:ab sofort
  • place:

    Laura Dörr

  • links:Ausschreibung

  • In deinem Studium hast du bereits einiges über maschinelles Lernen, Bildanalyse und dessen Anwendung im Maschinenbau gehört? Du hast Lust über den Tellerrand zu blicken und zu erforschen, wie hoch-spezialisierte ML-Modelle auf andere Anwendungsszenarien übertragbar sind? Dann bist du hier genau richtig!

     

    Fragestellung

    Das ML-Bildanalyse-Modell TetraPackNet [1] wurde entwickelt, um im Logistik-Anwendungsfall Packstruktur-erkennung Objekte spezifischer geometrischer Form auf Bildern präzise und zielgenau zu lokalisieren. Auf einem zugehörigen Datensatz wurde der Ansatz bereits untersucht und evaluiert. Doch ist das Modell für andere Use-Cases und Datensätze geeignet? Lässt es sich sogar weiterentwickeln, um nicht nur Tetragon-förmige Objekte, sondern auch Objekte anderer spezifischer geometrischer Formen präzise identifizieren zu können?

     

    Vorgehen

    • Analyse potenziell geeigneter Datensätze zur Erprobung von TetraPackNet aus vielfältigen Use-Cases
    • Vorbereitung identifizierter Datensätze, sowie Training und Evaluation mit TetraPackNet
    • Anpassung und Weiterentwicklung von TetraPackNet zur Präzisionssteigerung oder zum Einsatz in weiteren Anwendungsszenarien (z.B. Luftbild-Analyse)
    • Zusammenfassung, Bewertung der Ergebnisse und Analyse bestehender Potenziale
    • Begleitende Erfassung des Forschungsstandes und Identifikation verwandter Arbeiten
     

    [1] Dörr, Laura, et al. "TetraPackNet: Four-Corner-Based Object Detection in Logistics Use-Cases." DAGM German Conference on Pattern Recognition. Cham: Springer International Publishing, 2021.

Ausschreibung

In deinem Studium hast du bereits einiges über maschinelles Lernen, Bildanalyse und dessen Anwendung im Maschinenbau gehört? Du hast Lust über den Tellerrand zu blicken und zu erforschen, wie hoch-spezialisierte ML-Modelle auf andere Anwendungsszenarien übertragbar sind? Dann bist du hier genau richtig!

Fragestellung

Das ML-Bildanalyse-Modell TetraPackNet [1] wurde entwickelt, um im Logistik-Anwendungsfall Packstruktur-erkennung Objekte spezifischer geometrischer Form auf Bildern präzise und zielgenau zu lokalisieren. Auf einem zugehörigen Datensatz wurde der Ansatz bereits untersucht und evaluiert. Doch ist das Modell für andere Use-Cases und Datensätze geeignet? Lässt es sich sogar weiterentwickeln, um nicht nur Tetragon-förmige Objekte, sondern auch Objekte anderer spezifischer geometrischer Formen präzise identifizieren zu können?

Vorgehen
  • Analyse potenziell geeigneter Datensätze zur Erprobung von TetraPackNet aus vielfältigen Use-Cases
  • Vorbereitung identifizierter Datensätze, sowie Training und Evaluation mit TetraPackNet
  • Anpassung und Weiterentwicklung von TetraPackNet zur Präzisionssteigerung oder zum Einsatz in weiteren Anwendungsszenarien (z.B. Luftbild-Analyse)
  • Zusammenfassung, Bewertung der Ergebnisse und Analyse bestehender Potenziale
  • Begleitende Erfassung des Forschungsstandes und Identifikation verwandter Arbeiten

[1] Dörr, Laura, et al. "TetraPackNet: Four-Corner-Based Object Detection in Logistics Use-Cases." DAGM German Conference on Pattern Recognition. Cham: Springer International Publishing, 2021.