Refine
Document type
Language
- German (4)
Has full text
- Yes (4) (remove)
Is part of the Bibliography
- No (4)
Keywords
- Maschinelles Lernen (4) (remove)
Course of studies
Vergleich maschineller Lernalgorithmen in Anwendung auf die 3D-Gestenerkennung per Leap Motion
(2017)
Die Gestensteuerung ermöglicht eine intuitive sowie natürliche Interaktion zwischen Mensch und Maschine. Um die Bewegungen des Nutzers im dreidimensionalen Raum erkennen und klassifizieren zu können, sind Sensoren nötig, deren Signale es gilt zu verarbeiten. Diese Verarbeitung geschieht mittlerweile überwiegend durch Algorithmen des maschinellen Lernens, welche mit Hilfe von eingelernten Daten selbstständig Vorhersagen über neue Eingabesignale treffen können.
In dieser Arbeit werden die Eigenschaften und die damit zusammenhängende Erkennungsgenauigkeit solcher Algorithmen untersucht und verglichen. Dabei sollen die Support Vector Machine und das neuronale Netz berücksichtigt werden, welche mit Hilfe der Open Source Bibliotheken TensorFlow und scikit-learn implementiert wurden. Als Untersuchungsgegenstand dienen die Positionskoordinaten von insgesamt 350 dynamischen Gesten. Diese wurden mit dem Tiefenensor Leap Motion mittels einer eigens entwickelten Software aufgezeichnet und entsprechend vorverarbeitet. Auf diese Software, sowie den Prozess der Datensammlung, der Vorverarbeitung und letztendlich der Klassifizierung wird in der Arbeit ausführlicher eingegangen.
Die durchgeführten Tests zeigen, dass beide Algorithmen in der Lage waren eine Erkennungsgenauigkeit von bis zu 93,40% zu erreichen. Die Support Vector Machine schnitt durchschnittlich mit 87,15%, gegenüber dem neuronalen Netz mit 80,47%, besser ab.
In this thesis, new methods for text classification are examined and compared to the current software of the DNB. Due to technical changes in the area machine learning in recent years, improvements in text classification have been achieved. The objective is to improve the subject groups allocation of the DNB and to allow a hierarchical classification based on the DDC system. The decision was made on the HDLTex tool, as the structure of the DNB data set and the DDC system, which supports a hierarchical classification, are perfectly designed for it. The use of RNN networks on both hierarchical levels improved the current software situation. Furthermore, the approach was examined, if a combination of the predictions of the two hierarchies levels leads to an additional improvement, which, however, produced a negative result. Both beginners and experts find themselves as readers of this master's thesis in the target group again.
In dieser Arbeit werden neue Verfahren zur Textklassifizierung untersucht und der aktuellen Software der DNB gegenübergestellt. Durch technische Veränderungen im Bereich Machine Learning in den letzten Jahren, konnten Verbesserungen in der Textklassifizierung erzielt werden. Dabei soll die Sachgruppenvergabe der DNB verbessert und anhand des DDC Systems eine hierarchische Klassifizierung ermöglicht werden. Die Entscheidung fiel auf das HDLTex Tool, da die Struktur des Datensatzes der DNB und das DDC System, welche eine hierarchische Klassifizierung unterstützt, perfekt darauf ausgelegt sind. Durch die Nutzung von RNN Netzen auf beiden Hierarchieebenen konnte eine Verbesserung zu der aktuellen Software erzielt werden. Weiterhin wurde der Ansatz untersucht, ob eine Kombinierung der Vorhersagen der beiden Hierarchieebenen zu einer aufbauenden Verbesserung führt, welches jedoch ein negatives Ergebnis hervorbrachte. Sowohl Anfänger als auch Experten finden sich als Leser dieser Masterarbeit in der Zielgruppe wieder.
Der SmartCrawler ist ein auf Java basierendes Programm, das von dem Unternehmen PAMA Technologies GmbH verwendet wird, um Bilder aus dem Internet zu laden. Diese Bilder werden im Anschluss daran benutzt, um bestimmte Personen oder Gegenstände wiederzuerkennen. Beim Herunterladen der Bilder, kommt es zu verschiedenen Fehlern, deren Ursache untersucht wurde. Daraufhin sind die Fehlerursachen benannt und der Zusammenhang erklärt worden. Die beschriebenen Fehler beim Herunterladen der Bilder, müssen behoben werden, um ein Modell zur Wiedererkennung bestmöglich zu trainieren.
In meiner Arbeit sollen der SmartCrawler-Prozess verbessert und Tools für weitere Aufgabenfelder untersucht sowie getestet werden. Ziel ist, Fehlerquellen des SmartCrawler zu identifizieren und mit geeigneten Vorschlägen zu beheben. Im Anschluss werden verschiedene Technologien in Bezug auf Gesichtserkennung, Bildbeschreibung und Machine-Learning- Tools getestet. Sie werden anhand von Beispielen zur Einsatzmöglichkeit von Gesichtserkennung und Bildbeschreibung dargestellt. Im Verlauf der Arbeit wird auch das Machine-Learning-Tool vorgestellt und exemplarisch hinterlegt. Da es sich hier um eine praktische Arbeit handelt, werden verschiedene Tools auf ihre Leistungen getestet und bewertet. Als Ergebnis wird dem Leser ein resultierender Workflow präsentiert. Der Workflow enthält den SmartCrawler-Prozess und das anschließende Training eines Modells mit CNTK.
Ein weiteres Ziel ist, dem Leser Möglichkeiten zu bieten, auf dieser Arbeit aufzubauen. Es soll für den Leser möglich sein, die richtige Anwendung für seine Bedürfnisse zu finden und eventuell eigene Projekte auf Basis dieser Arbeit zu erstellen. Weiterhin kann auch der Einsatz von CNTK vom Leser in eigenen Bereichen geprüft werden.
Weite Bereiche der Softwareentwicklung werden
bereits heute durch diverse Werkzeuge unterstützt und teilweise automatisiert. Eine Verbesserung dieser Automatisierung soll dazu führen, dass die Entwicklung schneller und kosteneffizienter wird und eine höhere Qualität aufweist. Durch stetig steigende Forschungsarbeit im Bereich der künstlichen Intelligenz kann auch die werkzeugunterstützte Softwareentwicklung (engl. computer-aided software engineering, CASE) profitieren, indem bereits gängige Automatisierungsschritte durch den Einsatz neuer Methoden stark verbessert werden. Auch können sich durch diese Forschung neue Möglichkeiten ergeben, weitere Aufgaben während der Entwicklung zu automatisieren. Diese Verbesserungen und neuen Möglichkeiten sollen in dieser Ausarbeitung erklärt und gegebenenfalls genauer untersucht werden. In Tests, die im Rahmen dieser Ausarbeitung durchgeführt wurden, hat sich das Potential einiger Werkzeuge gezeigt, jedoch auch, dass sich die meisten Werkzeuge auf die KI-gestützte Verbesserung bereits verbreiteterWerkzeuge beschränken und damit nur wenig zu einer Automatisierung des kompletten Prozesses beitragen. Außerdem hat sich mit dem sog. Data Poisoning neues Gefahrenpotential herausgestellt.