Logo des Repositoriums

Auflistung nach Schlagwort "Object Detection"

1 - 5 von 5
  • Konferenzbeitrag
    Auto-Generating Multimedia Language Learning Material for Children with Off-the-Shelf AI
    (Mensch und Computer 2022 - Tagungsband, 2022) Draxler, Fiona; Haller, Laura; Schmidt, Albrecht; Chuang, Lewis L.
    The unique affordances of mobile devices enable the design of novel language learning experiences with auto-generated learning materials. Thus, they can support independent learning without increasing the burden on teachers. In this paper, we investigate the potential and the design requirements of such learning experiences for children. We implement a novel mobile app that auto-generates context-based multimedia material for learning English. It automatically labels photos children take with the app and uses them as a trigger for generating content using machine translation, image retrieval, and text-to-speech. An exploratory study with 25 children showed that children were ready to engage to an equal extent with this app and a non-personal version using random instead of personal photos. Overall, the children appreciated the independence gained compared to learning at school but missed the teachers’ support. From a technological perspective, we found that auto-generation works in many cases. However, handling erroneous input, such as blurry images and spelling mistakes, is crucial for children as a target group. We conclude with design recommendations for future projects, including scaffolds for the photo-taking process and information redundancy for identifying inaccurate auto-generation results.
  • Textdokument
    Carpe Diem: A Lifelong Learning Tool for Automated Wildlife Surveillance
    (INFORMATIK 2021, 2021) Brust, Clemens-Alexander; Barz, Björn; Denzler, Joachim
    We introduce Carpe Diem, an interactive tool for object detection tasks such as automated wildlife surveillance. It reduces the annotation effort by a utomatically selecting informative images for annotation, facilitates the annotation process by proposing likely objects and labels, and accelerates the integration of new labels into the deep neural network model by avoiding re-training from scratch. Carpe Diem implements active learning, which intelligently explores unlabeled data and only selects valuable examples to avoid redundant annotations. This strategy saves expensive human resources. Moreover, incremental learning enables a continually improving model. Whenever new annotations are available, the model can be updated efficiently and quickly, without re-training, and regardless of the amount of accumulated training data. Because there is no single large training step, the model can be used to make predictions at any time. We exploit this in our annotation process, where users only confirm or reject proposals instead of manually drawing bounding boxes.
  • Konferenzbeitrag
    Classifying figures and illustrations in electronics datasheets: A comparative evaluation of recent computer vision models on a custom collection of 4000 technical documents
    (INFORMATIK 2023 - Designing Futures: Zukünfte gestalten, 2023) Perakis, Lymperis; Balling, Julian; Binder, Frank; Heyer, Gerhard; Kreupl, Franz
    We report findings from a comparative evaluation of several recent object detection models applied to a domain-specific use case in technical document analysis and graphics recognition. More specifically, we apply models from the EfficientDet and YOLO model families to detect and classify figures in electronics datasheets according to a custom classification scheme. We identify YOLOv7-D6 as the most accurate model in our study and show that it can successfully solve this task. We highlight an iterative approach to figure annotation in document page images for creating a comprehensive and balanced custom dataset for our use case. In our experiments, the object detection models show impressive performance levels on par with state-of-the-art results from the literature and related studies.
  • Zeitschriftenartikel
    Objekterkennung im Weinanbau – Eine Fallstudie zur Unterstützung von Winzertätigkeiten mithilfe von Deep Learning
    (HMD Praxis der Wirtschaftsinformatik: Vol. 56, No. 5, 2019) Heinrich, Kai; Zschech, Patrick; Möller, Björn; Breithaupt, Lukas; Maresch, Johannes
    Die voranschreitende Digitalisierung revolutioniert sämtliche Wirtschaftszweige und bringt somit auch langfristige Veränderungen für den landwirtschaftlichen Sektor mit sich, wo auf Basis intelligenter Informationssysteme zahlreiche Daten gesammelt und im Zuge neuer Geschäftsmodelle ausgewertet werden. Vor diesem Hintergrund präsentiert der vorliegende Beitrag eine Big-Data-Analytics-Fallstudie aus dem Bereich des Weinanbaus, wo mithilfe von mobilen Aufnahmegeräten umfangreiches Bildmaterial aufgezeichnet wurde, um eine automatisierte Objekterkennung zur Unterstützung von operativen Winzertätigkeiten, wie zum Beispiel das Zählen von Reben, die Identifikation von Rebfehlstellen oder die Prognose von potentiellem Erntegut, realisieren zu können. Hierbei bestand die Herausforderung unter anderem darin, landwirtschaftlich relevante Weinobjekte wie Reben, Trauben und Beeren über die einzelnen Hierarchieebenen hinweg erkennen zu können und diese auch in Bezug auf bewegtes Bildmaterial folgerichtig zu zählen. Zur Bewältigung derartiger Herausforderungen werden einige Lösungsansätze vorgestellt, die auf modernen Deep-Learning-Verfahren der bildbasierten Objekterkennung basieren. Der Beitrag wird abgerundet mit einer Diskussion und Implikationen für analytische Anwendungen in der landwirtschaftlichen Praxis. The transformation towards a digitized world introduces major changes to all economic sectors, among them the sector of agriculture, where intelligent information systems help to gather and analyze vast amounts of data to provide new business functions and models. Given this background, this article describes a big data analytics case study from the field of viticulture, where extensive image material was recorded using mobile recording devices in order to implement automated object detection to support operational vineyard activities, such as counting vines, identifying missing plants or predicting potential harvests. One of the challenges here was to correctly identify relevant wine objects such as vines, grapes and berries across their different hierarchical levels and to consistently count them in relation to moving image material. The authors provide a solution to those challenges by designing a data analysis process based on a deep learning framework for object detection. Additionally, the results as well as implications for the application of the proposed models in the field of agrarian management are discussed at the end of the article.
  • Konferenzbeitrag
    Re-Identifikation markierter Schweine mit Computer Vision und Deep Learning
    (42. GIL-Jahrestagung, Künstliche Intelligenz in der Agrar- und Ernährungswirtschaft, 2022) Fruhner, Maik; Tapken, Heiko; Müller, Henning
    Das Forschungsprojekt SmartTail untersucht die frühzeitige Erkennung von Schwanzbeißen bei Mastschweinen mithilfe von künstlicher Intelligenz. Durch Video-Livestreams aus den Versuchsställen können die Tiere automatisiert erkannt und überwacht werden. Beim Auftreten aggressiven Verhaltens muss das System jedoch in der Lage sein, Aggressor und Opfer zu identifizieren. Hierzu wurden unterschiedliche Arten der Markierung untersucht, die von einem Computersystem autonom erkannt werden sollen. Der Einsatz von auf Ohrmarken gedruckten Data Matrix Codes hat gezeigt, dass die Wiedererkennung eines Tieres auch nach langer Verdeckung oder Abwesenheit gewährleistet werden kann, indem die Codes im Videomaterial lokalisiert und ausgelesen werden. In Verbindung mit einem Tracking-Verfahren ist so eine robuste Identifikation und Überwachung von Tieren möglich. Die gesammelten Daten können zudem für die Untersuchung weiterer wissenschaftlicher Fragestellungen genutzt werden.