Logo des Repositoriums

Auflistung nach Schlagwort "Convolutional Neural Networks"

1 - 10 von 11
  • Textdokument
    Acoustic Event Classification Using Convolutional Neural Networks
    (INFORMATIK 2017, 2017) Kahl, Stefan; Hussein, Hussein; Fabian, Etienne; Schloßhauer, Jan; Thangaraju, Enniyan; Kowerko, Danny; Eibl, Maximilian
    The classification of human-made acoustic events is important for the monitoring and recognition of human activities or critical behavior. In our experiments on acoustic event classification for the utilization in the sector of health care, we defined different acoustic events which represent critical events for elderly or people with disabilities in ambient assisted living environments or patients in hospitals. This contribution presents our work for acoustic event classification using deep learning techniques. We implemented and trained various convolutional neural networks for the extraction of deep feature vectors making use of current best practices in neural network design to establish a baseline for acoustic event classification. We convert chunks of audio signals into magnitude spectrograms and treat acoustic events as images. Our data set contains 20 different acoustic events which were collected in two different recording sessions combining human and environmental sounds. Our results demonstrate how efficient convolutional neural networks perform in the domain of acoustic event classification.
  • Konferenzbeitrag
    AI-supported data annotation in the context of UAV-based weed detection in sugar beet fields using Deep Neural Networks
    (42. GIL-Jahrestagung, Künstliche Intelligenz in der Agrar- und Ernährungswirtschaft, 2022) Jonas Boysen, Jonas; Stein, Anthony
    Recent Deep Learning-based Computer Vision methods proved quite successful in various tasks, also involving the classification, detection and segmentation of crop and weed plants with Convolutional Neural Networks (CNNs). Such solutions require a vast amount of labeled data. The annotation is a tedious and time-consuming task, which often constitutes a limiting factor in the Machine Learning process. In this work, an approach for an annotation pipeline for UAV-based images of sugar beet fields of BBCH-scale 12 to 17 is presented. For the creation of pixel-wise annotated data, we utilize a threshold-based method for the creation of a binary plant mask, a row detection based on Hough Transform and a lightweight CNN for the classification of small, cropped images. Our findings demonstrate that an increased image data annotation efficiency can be reached by using an AI approach already at the crucial Machine Learning-process step of training data collection.
  • Konferenzbeitrag
    Aktuelle Ansätze zum Einsatz von Verfahren der automatisierten Bilderkennung mittels maschinellen Lernens im Bereich des Umweltmonitorings
    (INFORMATIK 2024, 2024) Galle, Christopher
    Die steigende Nachfrage nach präzisen aktuellen Erhebungen des Naturzustands hat die Notwendigkeit neuer Herangehensweisen an die Datenerfassung und -auswertung deutlich gemacht. Die Auswertung von Umweltdaten ist eine zeitaufwändige und ressourcenintensive Aufgabe, die eine erhebliche Beteiligung qualifizierten Personals erfordert. Die Automatisierung dieser oft manuellen Prozesse gestaltete sich über viele Jahre hinweg als herausfordernd. Besonders die Artenbestimmung von Insekten und die Auswertung von Wildkameraaufnahmen im Bereich der Ökologieforschung dienen als Beispiele dafür. In Fangflaschen konservierte Insekten müssen von Fachpersonal identifiziert werden, was aufgrund von Beschädigungen an den Insekten sowie dem Verfall während der Lagerung und Bearbeitung ein zeitaufwendiger und zeitkritischer Prozess ist. Aber nicht nur die Auswertung herkömmlicher Bilder und Proben ist für Anwendungen der automatisierten Bilderkennung interessant, auch nicht-fotografische Bilddaten wie Sonar-, Satelliten- oder spektroskopische Aufnahmen eignen sich dafür. Die Verwendung von Methoden des maschinellen Lernens, insbesondere der Einsatz von Convolutional Neural Networks, hat sich hier in vielen Bereichen als äußerst hilfreich erwiesen. Die Verfügbarkeit geeigneter Trainingsdaten stellt jedoch weiterhin ein großes Problem dar, für das häufig individuelle Lösungsansätze gefunden werden müssen
  • Konferenzbeitrag
    Automatic Aortic Wall Segmentation and Plaque Detection using Deep Convolutional Neural Networks
    (SKILL 2018 - Studierendenkonferenz Informatik, 2018) Beetz, Marcel
    Abnormal aortic wall thickness and the presence of aortic plaque have been linked to various types of cardiovascular disease. QuantiĄcation of both indicators currently depends on manual or semi-automatic methods which suffer from limited quality and long acquisition times. This work presents various fully automatic state-of-the art solutions to two medical image processing problems: aortic wall segmentation and plaque slice detection. A u-net derived residual convolutional neural network (CNN), a cascaded pipeline of two CNNs and a 3D CNN architecture are used for aortic wall segmentation. Plaque detection is performed by a standard multilayer residual CNN classification architecture, a u-net derived CNN classifier and a capsule CNN. The experiments show that the u-net inspired residual CNN performs best at the aortic wall segmentation task with a Dice score of around 0.8 while the capsule CNN achieves the best results in slice-wise plaque detection with a precision of 0.74 and an accuracy of 0.68.
  • Textdokument
    Deep Learning Pipeline for Automated Visual Moth Monitoring: Insect Localization and Species Classification
    (INFORMATIK 2021, 2021) Korsch, Dimitri; Bodesheim, Paul; Denzler, Joachim
    Biodiversity monitoring is crucial for tracking and counteracting adverse trends in population fluctuations. However, automatic recognition systems are rarely applied so far, and experts evaluate the generated data masses manually. Especially the support of deep learning methods for visual monitoring is not yet established in biodiversity research, compared to other areas like advertising or entertainment. In this paper, we present a deep learning pipeline for analyzing images captured by a moth scanner, an automated visual monitoring system of moth species developed within the AMMOD project. We first localize individuals with a moth detector and afterward determine the species of detected insects with a classifier. Our detector achieves up to 99:01% mean average precision and our classifier distinguishes 200 moth species with an accuracy of 93:13% on image cutouts depicting single insects. Combining both in our pipeline improves the accuracy for species identification in images of the moth scanner from 79:62% to 88:05%.
  • Textdokument
    Exploring Texture Transfer Learning via Convolutional Neural Networks for Iris Super Resolution
    (BIOSIG 2017, 2017) Ribeiro,Eduardo; Uhl,Andreas
    Increasingly, iris recognition towards more relaxed conditions has issued a new superresolution field direction. In this work we evaluate the use of deep learning and transfer learning for single image super resolution applied to iris recognition. For this purpose, we explore if the nature of the images as well as if the pattern from the iris can influence the CNN transfer learning and, consequently, the results in the recognition process. The good results obtained by the texture transfer learning using a deep architecture suggest that features learned by Convolutional Neural Networks used for image super-resolution can be highly relevant to increase iris recognition rate.
  • Konferenzbeitrag
    Landwirtschaftliche Ertragsvorhersage im Kontext begrenzter realer Trainingsdatensätze: ein Transfer-Learning-Ansatz unter Verwendung tieferneuronalerNetze
    (INFORMATIK 2023 - Designing Futures: Zukünfte gestalten, 2023) Münzberg, Alexander; Troost, Christian; Reinosch, Nils; Martini, Daniel; Seuring, Liv; Niehus, Alexander; Srivastava, Rajiv; Streck, Thilo; Berger, Thomas; Bernardi, Ansgar
    Anhand von KI-gestützten Entscheidungshilfen in der Landwirtschaft, beispielsweise durch Anpassung von Düngeapplikationen oder des zeitlichen Feldarbeits-Managements, kann die Produktivität auf einer ökologischen und nachhaltigen Sicht gesteigert werden. Wir beschreiben eine Lösung, um mit Hilfe von neuronalen Netzen Ertrags- und Wachstumsprognosen in realen landwirtschaftlichen Daten zu erzielen. Das Problem geringer Trainingsdatenmengen wird dadurch gelöst, dass zunächst ein System anhand von Simulationsdaten antrainiert und mittels Transfer- Learning an spezifische reale Betriebsbedingungen anhand einiger weniger Realdaten angepasst wird. Die Ergebnisse der Realprognose werden anhand einer Kreuzvalidierungsstrategie evaluiert.
  • Textdokument
    Multimodal Neural Network for Overhead Person Re-identification
    (BIOSIG 2017, 2017) Lejbølle, Aske R.; Nasrollahi, Kamal; Krogh, Benjamin; Moeslund,Thomas B.
    Person re-identification is a topic which has potential to be used for applications within forensics, flow analysis and queue monitoring. It is the process of matching persons across two or more camera views, most often by extracting colour and texture based hand-crafted features, to identify similar persons. Because of challenges regarding changes in lighting between views, occlusion or even privacy issues, more focus has turned to overhead and depth based camera solutions. Therefore, we have developed a system, based on a Convolutional Neural Network (CNN) which is trained using both depth and RGB modalities to provide a fused feature. By training on a locally collected dataset, we achieve a rank-1 accuracy of 74.69%, increased by 16.00% compared to using a single modality. Furthermore, tests on two similar publicly available benchmark datasets of TVPR and DPI-T show accuracies of 77.66% and 90.36%, respectively, outperforming state-of-the-art results by 3.60% and 5.20%, respectively.
  • Textdokument
    Nitrat-Monitoring 4.0 – Intelligente Systeme zur nachhaltigen Reduzierung von Nitrat im Grundwasser
    (INFORMATIK 2020, 2021) Liesch, Tanja; Bruns, Julian; Abecker, Andreas; Hilbring, Désirée; Karimanzira, Divas; Martin, Tobias; Wagner, Martin; Wunsch, Andreas; Fischer, Thilo
    Nitrat im Grundwasser stellt weltweit unter anderem für die Trinkwasserversorgung ein großes Problem dar. Die Verteilung von Nitrat im Grundwasser ist dabei das Ergebnis eines komplexen Zusammenspiels vieler Einflussfaktoren, welches sich mit herkömmlichen Modellen für große Gebiete aufgrund der hohen Komplexität der Domäne nur schwer modellieren lässt. KI-Anwendungen, insbesondere Neuronale Netze bzw. Deep Learning Verfahren, lassen als datenbasierte Modelle, die komplexe Zusammenhänge aus einer großen Datenmenge extrahieren und übertragen können, hier einen deutlichen Mehrwert bei der zeitlich-räumlichen Vorhersage von Nitratwerten erwarten. Im vorliegenden Projekt soll daher ein übergreifendes System entwickelt werden, welches KI Verfahren mit Methoden der Umweltinformatik und speziell der Wasserdomäne kombiniert. Hierzu kommen State-of-the-Art Machine Learning Methoden wie Convolutional Neural Networks und Long short-term Memory Netzwerke zum Einsatz, um so eine verbesserte räumliche und zeitliche Vorhersage von Nitrat im Grundwasser zu erzielen und damit zur effizienten und nachhaltigen Nitrat-Reduzierung beizutragen. Diese werden mit Methoden des Operation Research und der semantischen Datenintegration erweitert, um damit einen Endnutzer bei der Entscheidungsfindung intelligent zu unterstützen.
  • Konferenzbeitrag
    Robotic Process Automation in Public Administrations
    (Digitalisierung von Staat und Verwaltung, 2019) Houy, Constantin; Hamberg, Maarten; Fettke, Peter
    Against the background of current activities towards administrative modernization based on the digitalization of processes, the usage and integration of Robotic Process Automation (RPA) software into public administration work processes can significantly improve their efficiency, reduce process costs and provide better services for citizens. This paper presents and investigates the concept of RPA and discusses the particular potential and challenges of RPA in the public administration context. Furthermore, it demonstrates an application example of a new cognitive RPA approach for automated data extraction and processing that is used in a trade tax assessment scenario using deep convolutional neural networks (CNN). Based on the findings it can be concluded that RPA has considerable potential for the improvement of the efficiency of admini­strative work processes and for administrative modernization in general.