TY - THES A1 - Ostertag, Daniel T1 - Comparing and controlling image colorization methods for realistic reconstructions N2 - 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. 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. KW - Einfärbung KW - Bildkompression KW - Bildverarbeitung KW - Farbenraum KW - Maschinelles Lernen Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:860-opus4-2988 ER - TY - THES A1 - Stemp, Alois T1 - Erstellung eines Machine Learning Prototyps zur Überprüfung von Projekten auf Zeit- und Budgetüberschreitung N2 - In dieser Arbeit wird die Erstellung eines Machine Learning Prototyps in Python für das Risikomanagement in Projekten vorgestellt. KW - Machine Learning KW - Projektmanagement KW - Maschinelles Lernen KW - Risikomanagement Y1 - 2020 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:860-opus4-2232 ER - TY - THES A1 - Huber, Florian T1 - Sensor Synthese mit Maschinellem Lernen N2 - 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. KW - Maschinelles Lernen KW - Neuronales Netz KW - Einplatinen-Computer KW - Umgebungstemperatur Y1 - 2019 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:860-opus4-1095 ER - TY - THES A1 - Uhrmann, Simon T1 - Machine Learning zur Wildunfallprädikation N2 - 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“. 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. KW - Maschinelles Lernen KW - Verkehrsunfall KW - Wild KW - Datenanalyse KW - Prognose Y1 - 2019 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:860-opus4-1081 ER - TY - THES A1 - Thral, Markus T1 - Latenzreduktion durch prädiktives Vorladen unter Anwendung eines maschinellen Lernverfahrens in Enterprise Portalen N2 - 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. KW - Latenzreduktion KW - Vorladen KW - Prefetch KW - Web Portal KW - Portal KW - Benutzerfreundlichkeit KW - Prefetching KW - Markov-Kette KW - Maschinelles Lernen Y1 - 2019 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:860-opus4-981 ER - TY - THES A1 - Dexl, Jakob Frederik T1 - Mapping of natural learning processes for the development of neural network architectures - Implementation and comparison of approaches in the classification of radiological data sets N2 - In order to provide more transparency on convolutional neural networks (CNN) for education and research purposes this work has three main objectives: • Create CNN models based on two different architectures, which classify magnetic resonance images of the brain into normal and abnormal • Investigate these models by applying state of the art visualization techniques. For this purpose, a simple accessible Application Interface (API) for Keras sequential models will be developed. • Describe the quality of the models based on the visualizations and compare their overall classification to the human classification procedure. T2 - Abbildung natürlicher Lernprozesse für die Entwicklung neuronaler Netzarchitekturen - Implementierung und Vergleich von Ansätzen bei der Klassifizierung eines radiologischen Datensatzes KW - CNN KW - visualization KW - machine learning KW - radiology KW - image classification KW - Neuronales Netz KW - Visualisierung KW - Maschinelles Lernen KW - Radiologie Y1 - 2018 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:860-opus4-521 ER -