Mittwoch, September 18, 2019
Nutzungsbasierte Optimierung von Motorradtouren mit Map Matching
Technologien
Bei dieser Arbeit sollen anonymisierte, aufgezeichnete Motorradtouren
(Tracks) von calimoto Nutzern analysiert werden, um daraus zu ermitteln,
wie häufig Motorradfahrer auf welchen Straßen gefahren sind. Daraus soll
ein neues Routingprofil erstellt werden, welches Routen über die
populärsten Straßen generieren soll. Evaluiert wird auch, ob die
Integration der Häufigkeitswerte in die Routenplanung nützlich ist und
diese für Motorradfahrer geeignete Routen generiert.
Kolloqium: 18.09.2019
Betreuer: Prof. Dr.-Ing. Jochen Heinsohn, Sebastian Dambeck M.Sc.
(calimoto GmbH), Dipl.-Inform. Ingo Boersch
Download: A1-Poster
Categories: Abschlussarbeiten, Maschinelles Lernen
Donnerstag, September 05, 2019
Reimplementierung eines U-Netzes zur Segmentierung mit dem
GluonCV-Framework
Die Arbeit untersucht exemplarisch die Leistzungsfähigkeit und
Anwendbarkeit von GluonCV (Frameworks zur vereinfachten Verwendung
tiefer neuronaler Netze) exemplarisch zur semantischen Segmentierung
medizinischer Bilddaten mit einem U-Net. Hierzu wird angelehnt an die
U-Net-Architektur [RFB15] eine vorhandene Keras-Implementierung [Pet18]
in GluonCV reimplimentiert und in systematischen Versuchen verschiedene
Kriterien zu Umsetzbarkeit und Performance evaluiert.
[RFB15] Ronneberger, Olaf ; Fischer, Philipp ; Brox, Thomas: U-Net:
Convolutional Networks for Biomedical Image Segmentation. In: CoRR
(2015).
[Pet18] Petsiuk, Vitali: Lung Segmentation (2D). (Dezember 2018).
https://github.com/imlab-uiip/lung-segmentation-2d, Abruf: 05.07.2019.
Kolloqium: 05.09.2019
Gutachter: Prof. Dr. Sven Buchholz, Dipl.-Inform. Ingo Boersch
Categories: Abschlussarbeiten, Maschinelles Lernen
