Logo des Repositoriums

Auflistung nach Schlagwort "synthetic data"

1 - 3 von 3
  • Konferenzbeitrag
    Instance-level augmentation for synthetic agricultural data using depth maps
    (43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Wübben, Henning; Butz, Raphaela; von Szadkowski, Kai; Barenkamp, Marco
    Image augmentation is a key component in computer vision pipelines. Its techniques utilize different levels of data annotation. A lack of methods can be observed when it comes to data that supplies depth maps, in particular synthetic data. We propose a novel augmentation method named DepthAug that utilizes depth annotations in image data and examine its performance in the context of object detection tasks. Results show a boost in MAP score performance compared to previous related methods.
  • Konferenzbeitrag
    Konzeption und Umsetzung synthetischer Datengenerierung für Forschung und Entwicklung in Assessment Analytics
    (Workshops der 21. Fachtagung Bildungstechnologien (DELFI), 2023) Breuer, Martin; Persike, Malte; Schroeder, Ulrik
    Die Datenbeschaffung für Learning Analytics zur Verbesserung der Bildungstechnologien und Lehrinhalte wird durch lange Wartezeiten, Unklarheiten bezüglich Datenverfügbarkeit und Datenschutz sowie Art der Daten erschwert. Synthetische Datensätze können diese Hürden überwinden, indem sie als Ersatz für echte Daten dienen. In der Literatur werden sowohl Ansätze zur synthetischen Datengenerierung auf Basis echter Daten (z. B. mithilfe künstlicher Intelligenz), als auch Ansätze zur Simulation der Interaktionen auf Basis konkreter Annahmen beschrieben. Diese synthetischen Daten sollen die Entwicklung von Assessment Analytics Tools für das E-Prüfungssystem Dynexite unterstützen. Dieser Beitrag stellt erste Entwicklungsschritte zur Bereitstellung von Testdatensätzen für das E‑Prüfungssystem vor: Ein erster Prototyp erstellt automatisiert Prüfungen mit variabler Teilnehmerzahl und zufälligen Ergebnissen. Die notwendigen Konzepte werden in einem nächsten Schritt zu einem Daten-Erstellungs-Service abstrahiert, um die einfache Programmierung weiterer Datensätze zu ermöglichen. Zur Demonstration der Funktionalität wird ein öffentlich verfügbarer Learning Analytics Datensatz importiert. Ein erster Testlauf konnte bereits Skalierbarkeitsprobleme der bestehenden Codebasis aufdecken.
  • Konferenzbeitrag
    Synthetic fields, real gains
    (44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Wachter, Paul; Kruse, Niklas; Schöning, Julius
    Artificial intelligence (AI) promises transformative impacts on society, industry, and agriculture, while being heavily reliant on diverse, quality data. The resource-intensive “data problem” has initialized a shift to synthetic data. One downside of synthetic data is known as the “reality gap”, a lack of realism. Hybrid data, combining synthetic and real data, addresses this. The paper examines terminological inconsistencies and proposes a unified taxonomy for real, synthetic, augmented, and hybrid data. It aims to enhance AI training datasets in smart agriculture, addressing the challenges in the agricultural data landscape. Utilizing hybrid data in AI models offers improved prediction performance and adaptability.