Logo des Repositoriums

Auflistung nach Schlagwort "Deep Learning"

1 - 10 von 36
  • Konferenzbeitrag
    3D Printing and Sustainability: A Web Analysis Approach
    (INFORMATIK 2023 - Designing Futures: Zukünfte gestalten, 2023) Dehghan, Robert; Schmidt, Sebastian; Schwierzy, Julian
    Besides manifold advantages in production, 3D printing is also often touted as a green technology. However, the quantitative connection between its use and sustainability is unclear so far. In our study, we examined all companies in the DACH region applying a web analytics approach. Using web scraping and deep learning, we assessed the 3D printing and sustainability intensity for each company. Our results suggest that 3D printing companies are significantly more likely to present themselves as sustainable than other companies. However, as our analysis is purely descriptive, correlations and causality still need to be clarified in future research. Our web mining methodology is a promising approach to study economic phenomena with an environmental dimension.
  • Zeitschriftenartikel
    AIOps – Artificial Intelligence für IT-Operations
    (HMD Praxis der Wirtschaftsinformatik: Vol. 56, No. 2, 2019) Andenmatten, Martin
    Traditionelle IT Service Management Konzepte mögen anstehende Herausforderungen der Unternehmen nicht mehr zu lösen. Der ungebremste Drang des Business nach Digitalisierung, die damit verbundene Vernetzung von Produkten zu Services sowie die Dynamik der Cloud und das „Everything as a Service“ stellt alle Unternehmen und IT-Organisationen vor ein grosses Problem: wie lassen sich die hohen Anforderungen an Verfügbarkeit, Performance, Kosten, Sicherheit und Compliance der IT-Services in einem hybriden Multi-Cloud-Ökosystem wirksam steuern, wenn sich die Zusammensetzung der Komponenten und Beteiligten praktisch täglich ändert? Manuell ist dies eine „Mission Impossible“. Aber auch automatisierte Roboter können hier nicht mehr genügen, weil die permanente Anpassung von Regeln und Workflows der dynamischen Realität hinterherhinkt. Die Zukunft von IT-Operations liegt nur noch in der Anwendung von künstlicher Intelligenz: AI für IT-Operations. Traditional IT service management concepts may not be able to solve upcoming business challenges. The unrestrained urge of the business for digitization, the associated networking of products to services as well as the dynamics of the cloud and the “Everything as a Service” pose a big problem for all companies and IT organizations: how can the high demands on availability, performance, cost, security, and compliance of IT services in a hybrid, multi-cloud ecosystem effectively managed as the composition of components and stakeholders changes on an almost daily basis? Manually this is a “mission impossible”. But even automated robots can no longer suffice because the permanent adaptation of rules and workflows lags behind the dynamic reality. The future of IT-Operations lies only in the application of artificial intelligence: AI for IT-Operations.
  • Konferenzbeitrag
    Akustische Insektenerkennung – Deep Learning zur Klassifikation leisester Fluggeräusche
    (42. GIL-Jahrestagung, Künstliche Intelligenz in der Agrar- und Ernährungswirtschaft, 2022) Branding, Jelto; von Hoersten, Dieter; Wegener, Jens Karl
    Assistenzsysteme und Apps bieten ein großes Potenzial für die Steigerung der Effizienz und Nachhaltigkeit im Gartenbau. Im Bereich der Schädlingsbekämpfung haben alle aktuellen Apps und Systeme gemein, dass sie eine große Schwachstelle in der digitalen Erfassung der Insektenpopulationen im Gewächshaus aufweisen. Aus diesem Grund werden im Projekt IPMaide verschiedene sensorische Ansätze für die automatisierte Detektion von Insekten untersucht. Eine vielversprechende Möglichkeit ist die akustische Insektenerkennung. Hier sollen Methoden aus der Schädlingserkennung im Vorratsschutz mit neuesten Ansätzen im Bereich der Klassifikation von Geräuschen zusammengebracht werden, um eine Sensorlösung für die Insektenerkennung im Gewächshaus zu entwickeln. Für die nötige Datensatzerstellung wurde eine schallgeschützte Messumgebung entworfen und High- und Low-Cost-Messtechnik für akustische Aufnahmen unter Labor- und Realbedingungen verglichen. Die Ergebnisse zeigen, dass kostengünstigere Mikrofone gerade im relevanten tiefen Frequenzbereich unempfindlicher sind. Ein Lösungsansatz zur Filterung von Nutz- und Störgeräuschen stellen Array-Anordnungen der Mikrofone dar.
  • Konferenzbeitrag
    Aufbereitung augenmedizinischer Bild-, Patienten- und Diagnosedaten zum Zwecke der Forschung - Ethikrichtlinen und deren praktische Umsetzung
    (Mensch und Computer 2017 - Workshopband, 2017) Kowerko, Danny; Rößner, Miriam; Kahl, Stefan; Herms, Robert; Eibl, Maximilian; Engelmann, Katrin
    In der vorliegenden Arbeit stellen die Authoren einen technischen Workflow vor, der darstellt wie in der Praxis gesetzliche Vorgaben im Bezug auf ethische Fragestellungen umgesetzt werden können. Dabei wird auf die rechtlichen Grundlagen auf Bundesebene eingegangen, aber auch auf die Besonderheiten auf Länderebene und der lokalen Umsetzung. Am Fallbeispiel der Kooperation zwischen der Juniorprofessur Media Computing an der TU Chemnitz und der Augenklinik des Klinikum Chemnitz gGmbH zeigen wir dabei welche Vorgaben seitens des Ethikbeauftragten einzuhalten waren hinsichtlich der Anonymisierung von Patientendaten, der Verschlüsselung, dem Transport/Transfer von der Klinik an die Universität, Speicherung und Zugriffsrechte der Daten. Eingegangen wird insbesondere auf unterschiedliche Aspekte in der retrospektiven Forschung mit Patientendaten. Damit soll insbesondere Einsteigern auf dem Gebiet der Forschung mit klinischen Daten ein erster Einblick ermöglicht werden.
  • Textdokument
    Automated Annotation of Sensor data for Activity Recognition using Deep Learning
    (INFORMATIK 2017, 2017) Benndorf, Maik; Ringsleben, Frederic; Haenselmann, Thomas; Yadav, Bharat
    Within this work-in-progress, we aim to automate the annotation of Sensor data for generating training data for Activity Recognition (AR) of multiple persons. Usually, the activities are executed and recorded from test persons under the supervision of an instructor, which may influence in many cases the natural behaviour of the test persons and the authenticity of the data. In this work, we suggest how this influence can be reduced and how the Sensor data can be annotated automatically by using video capturing, openpose for extracting human key points and a neuronal network to classify the activities. By automatically annotating the selected activities we show the feasibility of our approach.
  • 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
    Automatic Plant Cover Estimation with Convolutional Neural Networks
    (INFORMATIK 2021, 2021) Körschens, Matthias; Bodesheim, Paul; Römermann, Christine; Bucher, Solveig Franziska; Migliavacca, Mirco; Ulrich, Josephine; Denzler, Joachim
    Monitoring the responses of plants to environmental changes is essential for plant biodiversity research. This, however, is currently still being done manually by botanists in the field. This work is very laborious, and the data obtained is, though following a standardized method to estimate plant coverage, usually subjective and has a coarse temporal resolution. To remedy these caveats, we investigate approaches using convolutional neural networks (CNNs) to automatically extract the relevant data from images, focusing on plant community composition and species coverages of 9 herbaceous plant species. To this end, we investigate several standard CNN architectures and different pretraining methods. We find that we outperform our previous approach at higher image resolutions using a custom CNN with a mean absolute error of 5.16%. In addition to these investigations, we also conduct an error analysis based on the temporal aspect of the plant cover images. This analysis gives insight into where problems for automatic approaches lie, like occlusion and likely misclassifications caused by temporal changes.
  • Konferenzbeitrag
    Automatisierte Frucht- und Pflanzenerkennung in Apfelplantagen durch künstliche Intelligenz
    (44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Gerstenberger, Michael; Kovalenko, Mykyta; Przewozny, David; Magnusson, Jannes; Gassen, Eike; Pawlak, Jakub; Hirth, Jochen; von Hirschhausen, Laura; Runde, Detlef; Hilsmann, Anna; Eisert, Peter; Bosse, Sebastian
    Zwei wichtige Ziele des Precision Farming im Obstanbau sind die automatische Bonitur von Apfelplantagen und die Ernte von Äpfeln: Beide setzen voraus, dass Bäume und Früchte zuverlässig erkannt werden. Mittlerweile existieren erste öffentliche Datensätze zum Training von KI-Modellen zur Erkennung von Früchten in Obstplantagen, wie z. B. der Benchmark-Datensatz MinneApple mit über 1000 annotierten Bildern. Eine zentrale Herausforderung bleibt einerseits die begrenzte Generalisierbarkeit der Apfelerkennung, die mit diesen Datensätzen erzielt werden kann. Andererseits bestehen neben der Anzahl der Früchte weitere wichtige Kennzahlen im Obstanbau wie die Fläche der Blätter und Blüten, welche die Bäume im Frühjahr tragen und für die automatische Bonitur von Interesse sind. Die Ziele der hier vorgestellten Forschung sind daher (1) eine Erweiterung der Datenbasis, (2) die vergleichende Evaluation von state-of-the-art Objektdetektoren für die Apfelerkennung über verschiedene Datensätze hinweg und (3) eine neue Methode zur Segmentierung der Bäume. Um diese Ziele zu erreichen, wurden weitere Daten maschinengestützt erfasst und mehr als 600 Bilder mit Hilfe von interaktiven Verfahren annotiert. Diese nutzen jeweils ein vortrainiertes Modell, um dem Nutzer Vorschläge für die Position der Äpfel zu machen, die dann manuell korrigiert und ergänzt werden können. Für die Evaluierung der Apfelerkennung wurden gängige Modellarchitekturen zur Objekterkennung (YOLOv8, ResNet, SSD) für die Detektion von Äpfeln trainiert und im Sinne eines Modellvergleichs getestet. YoloV8 liefert die besten Ergebnisse für die Erkennung von Äpfeln am Baum, die mit einem F1-Wert von 0.77 insgesamt auch sehr hoch ist. Die Übertragbarkeit der Ergebnisse wurde durch eine Kreuzevaluierung mit MinneApple und MS-COCO überprüft und es zeigt sich, dass die Modelle bei Anwendung auf anderen Testdatensätze erheblich schlechter abschneiden als bei der Evaluierung in Bezug auf die zum Training gehörenden Testbilder. Voraussetzung für eine semantische Segmentierung ist die Erkennung der Bäume der vordersten Baumreihe, die hier ebenfalls untersucht wird. Hierbei kommt Deep Optical Flow (RAFT) zum Einsatz, das die Bewegungsparallaxe nutzt, um Tiefeninformationen zu schätzen, und keine rechenintensive Punktwolkenrekonstruktion erfordert. Das Verfahren liefert qualitativ gute Ergebnisse für einen Großteil der Bilder. Unsere Ergebnisse unterstreichen die Bedeutsamkeit von umfangreichen Datensätzen, die es erlauben, Modelle domänenspezifisch zu trainieren und vergleichend zu evaluieren.
  • Textdokument
    Blueprint for a Production-Ready Information Retrieval System based on Multi-Modal Embeddings
    (INFORMATIK 2021, 2021) Ebert, André; Apel, Anika; Chodyko, Piotr; Hiroyasu, Kyle; Ismali, Festina; Koo, Hyein; Kronburger, Julia; Pesch, Robert
    Deep Learning models for mapping documents from different domains, e.g., text, images, and audio, into a common vector space, enable a seamless information retrieval between the different domains and, thus, significantly improve the user experience of many expert tools. Despite various models for multi-modal mappings presented in scientific literature, the implementation and integration remain a challenge within the industry, especially for small or medium-sized companies. Reasons are, that developing such retrieval systems for production use-cases is a non-trivial task, requiring scalable, reliable, and cost-efficient infrastructure, services as well as adequate Deep Learning models. We present a generic and flexible blueprint architecture, targeting the development of a production-ready image-text retrieval search system using Kubernetes, MLflow, Elasticsearch, and integrating state-of-the-art Deep Learning models.
  • Textdokument
    Content-based Recommendations for Radio Stations with Deep Learned Audio Fingerprints
    (INFORMATIK 2020, 2021) Langer, Stefan; Obermeier, Liza; Ebert, André; Friedrich, Markus; Munisamy, Emma
    The world of linear radio broadcasting is characterized by a wide variety of stations and played content. That is why finding stations playing the preferred content is a tough task for a potential listener, especially due to the overwhelming number of offered choices. Here, recommender systems usually step in but existing content-based approaches rely on metadata and thus are constrained by the available data quality. Other approaches leverage user behavior data and thus do not exploit any domain-specific knowledge and are furthermore disadvantageous regarding privacy concerns. Therefore, we propose a new pipeline for the generation of audio-based radio station fingerprints relying on audio stream crawling and a Deep Autoencoder. We show that the proposed fingerprints are especially useful for characterizing radio stations by their audio content and thus are an excellent representation for meaningful and reliable radio station recommendations. Furthermore, the proposed modules are part of the HRADIO Communication Platform, which enables hybrid radio features to radio stations. It is released with a flexible open source license and enables especially small-and medium-sized businesses, to provide customized and high quality radio services to potential listeners.