<?xml version="1.0" encoding="utf-8"?>
<export-example>
  <doc>
    <id>298</id>
    <completedYear>2021</completedYear>
    <publishedYear/>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber>50</pageNumber>
    <edition/>
    <issue/>
    <volume/>
    <type>bachelorthesis</type>
    <publisherName/>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">Comparing and controlling image colorization methods for realistic reconstructions</title>
    <abstract language="eng">Machine Learning based grayscale image colorization methods have, in recent years, become good enough such that only few user selected color points are necessary for realistic colorizations. Converting images to grayscale and keeping only few color cues, while further compressing the grayscale image, could be a viable way to reduce file sizes for bandwidth constrained scenarios even further.&#13;
&#13;
In this thesis I take a closer look at the paper Real-Time User-Guided Image Colorization with Learned Deep Priors, Zhang et al. (2017), and their colorization system. Based on this system, I will then introduce various ways in which to automatically choose color pixels in the original image, store them efficiently and assess their colorization performance, on the grayscale version, based on quality metrics and storage size. I found that the methods introduced can restore the original image color satisfactory with less than a kilobyte and almost perfectly with a few kilobytes of extra color data for 640x480 resolution. Nevertheless, it is still possible to improve the quality and reduce the size further with better point placement.</abstract>
    <identifier type="urn">urn:nbn:de:bvb:860-opus4-2988</identifier>
    <enrichment key="opus.source">publish</enrichment>
    <licence>Keine Creative Commons Lizenz (es gilt das deutsche Urheberrecht)</licence>
    <author>Daniel Ostertag</author>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Einfärbung</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Bildkompression</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Bildverarbeitung</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Farbenraum</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Maschinelles Lernen</value>
    </subject>
    <collection role="institutes" number="">Fakultät Informatik</collection>
    <thesisPublisher>Hochschule für Angewandte Wissenschaften Landshut</thesisPublisher>
    <thesisGrantor>Hochschule für Angewandte Wissenschaften Landshut</thesisGrantor>
    <file>https://opus4.kobv.de/opus4-haw-landshut/files/298/OstertagDaniel_BA.pdf</file>
  </doc>
  <doc>
    <id>109</id>
    <completedYear>2019</completedYear>
    <publishedYear/>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber>40</pageNumber>
    <edition/>
    <issue/>
    <volume/>
    <type>bachelorthesis</type>
    <publisherName/>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Sensor Synthese mit Maschinellem Lernen</title>
    <abstract language="deu">Die vorliegende Bachelorarbeit behandelt die Programmierung eines neuronalen Netzes zur Bestimmung der Umgebungstemperatur, anhand von CPU Temperaturen mit kostengünstigen Einplatinencomputern. In dieser Arbeit wird zuerst auf den Ursprung der Trainingsdaten eingegangen, sowie auf schon bestehende Arbeiten. Ferner werden die verwendeten Software- und Hardwarekomponenten vorgestellt. Im Anschluss wird die Entwicklung und Validierung des neuronalen Netzes im Detail erläutert. Das entwickelte Netzwerk wird nach der Validierung auf seine Robustheit untersucht. Abschließend findet sich eine Zusammenfassung und das Fazit der Arbeit.</abstract>
    <identifier type="urn">urn:nbn:de:bvb:860-opus4-1095</identifier>
    <enrichment key="opus.doi.autoCreate">false</enrichment>
    <enrichment key="opus.urn.autoCreate">true</enrichment>
    <licence>Keine Creative Commons Lizenz (es gilt das deutsche Urheberrecht)</licence>
    <author>Florian Huber</author>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Maschinelles Lernen</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Neuronales Netz</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Einplatinen-Computer</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Umgebungstemperatur</value>
    </subject>
    <collection role="institutes" number="">Fakultät Informatik</collection>
    <thesisPublisher>Hochschule für Angewandte Wissenschaften Landshut</thesisPublisher>
    <thesisGrantor>Hochschule für Angewandte Wissenschaften Landshut</thesisGrantor>
    <file>https://opus4.kobv.de/opus4-haw-landshut/files/109/Bachelorarbeit_Florian_Huber.pdf</file>
  </doc>
  <doc>
    <id>108</id>
    <completedYear>2019</completedYear>
    <publishedYear/>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber>45</pageNumber>
    <edition/>
    <issue/>
    <volume/>
    <type>bachelorthesis</type>
    <publisherName/>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Machine Learning zur Wildunfallprädikation</title>
    <abstract language="deu">Diese Bachelorarbeit wird am TCF im Rahmen des Projekts WilDa erstellt. Dessen Ziel ist eine ”Dynamische Wildunfallwarnung unter Verwendung von heterogenen Verkehrs-, Unfall- und Umweltdaten sowie von Big Data Ansätzen“.&#13;
Im Rahmen der Bachelorarbeit wird getestet, inwieweit eine Vorhersage von Wildunfällen mit Machine Learning (ML) möglich ist. In diese Vorhersage fließen Wildunfall-, Straßen- und Wetterdaten ein. Diese werden aufbereitet und anschließend werden mit ihnen ML-Verfahren trainiert.</abstract>
    <identifier type="urn">urn:nbn:de:bvb:860-opus4-1081</identifier>
    <enrichment key="opus.doi.autoCreate">false</enrichment>
    <enrichment key="opus.urn.autoCreate">true</enrichment>
    <licence>Keine Creative Commons Lizenz (es gilt das deutsche Urheberrecht)</licence>
    <author>Simon Uhrmann</author>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Maschinelles Lernen</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Verkehrsunfall</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Wild</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Datenanalyse</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Prognose</value>
    </subject>
    <collection role="institutes" number="">Fakultät Informatik</collection>
    <thesisPublisher>Hochschule für Angewandte Wissenschaften Landshut</thesisPublisher>
    <thesisGrantor>Hochschule für Angewandte Wissenschaften Landshut</thesisGrantor>
    <file>https://opus4.kobv.de/opus4-haw-landshut/files/108/Bachelorarbeit_Simon_Uhrmann.pdf</file>
  </doc>
  <doc>
    <id>98</id>
    <completedYear>2019</completedYear>
    <publishedYear/>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber>128</pageNumber>
    <edition/>
    <issue/>
    <volume/>
    <type>masterthesis</type>
    <publisherName/>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Latenzreduktion durch prädiktives Vorladen unter Anwendung eines maschinellen Lernverfahrens in Enterprise Portalen</title>
    <abstract language="deu">Die Arbeit beschäftigt sich mit der Erstellung eines Vorhersagemodells für Benutzerverhalten in Enterprise-Portalen und dem darauf basierenden prädiktiven Vorladen der nächsten wahrscheinlichen angeforderten Seite. Das entwickelte Vorhersagemodell wird mit einer Markov-Kette erster Ordnung realisiert. Die Betrachtung der bisherigen Forschung hat vielfach gezeigt, dass Markov-Ketten für diesen Anwendungsfall geeignet sind. Aufgrund ungenauer Trainingsdaten wurde bisher aber nur eine geringe Vorhersagegenauigkeit erzielt. Es wird daher ein neuer Ansatz verfolgt, bei dem die Navigationsdaten aus dem Header Referer als absolut zuverlässige Quelle gewonnen werden. Das Modell wird außerdem kontinuierlich trainiert und verbessert und passt sich an die Veränderungen des Portals und des Nutzerverhaltens an. Das Vorladen der vorhergesagten Inhalte wird mit dem Resource Hint Prefetch umgesetzt, der dynamisch für jede vorzuladende Ressource in die entsprechende Seite eingebaut wird. Die Evaluation zeigt, dass die Latenz durch das Vorladen von Inhalten deutlich reduziert werden kann. Des Weiteren wurde eine Vorhersagegenauigkeit von 76% erreicht, die bisher nur mit Markov-Ketten höherer Ordnung und weiteren Verbesserungen erzielt werden konnte. Mit dem Modell wird daher eine verlässliche Vorhersage für das Vorladen ermöglicht. Es stellt eine solide Grundlage für Verbesserungen und weitere Forschung auf diesem Gebiet dar.</abstract>
    <identifier type="urn">urn:nbn:de:bvb:860-opus4-981</identifier>
    <enrichment key="opus.doi.autoCreate">false</enrichment>
    <enrichment key="opus.urn.autoCreate">true</enrichment>
    <licence>Keine Creative Commons Lizenz (es gilt das deutsche Urheberrecht)</licence>
    <author>Markus Thral</author>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Latenzreduktion</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Vorladen</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Prefetch</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Web Portal</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Portal &lt;Internet&gt;</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Benutzerfreundlichkeit</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Prefetching</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Markov-Kette</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Maschinelles Lernen</value>
    </subject>
    <collection role="institutes" number="">Fakultät Informatik</collection>
    <thesisPublisher>Hochschule für Angewandte Wissenschaften Landshut</thesisPublisher>
    <thesisGrantor>Hochschule für Angewandte Wissenschaften Landshut</thesisGrantor>
    <file>https://opus4.kobv.de/opus4-haw-landshut/files/98/Masterarbeit_Thral.pdf</file>
  </doc>
</export-example>
