OPUS


Volltext-Downloads (blau) und Frontdoor-Views (grau)

Visualisierungsgestützte Untersuchung der Auswirkungen der semantischen Bildsegmentierung auf die Klassifikationsentscheidung von Convolutional Neural Networks

  • Die Bachelorarbeit untersucht, welche Auswirkungen die semantische Bildsegmentierung als Vorverarbeitungsschritt für Eingabebilder auf die Klassifikationsfähigkeit eines Convolutional Neural Networks (CNN) hat. Zu diesem Zweck werden Experimente mit verschiedenen Visualisierungstechniken gemacht, die geeignet sind, relevante Aspekte des Datenflusses im CNN während des Klassifikationsprozesses (wie z.B. den für die Klassifikationsentscheidung relevantesten Bildausschnitt) intuitiv zu veranschaulichen. Hierzu sollen verschiedene bereits existierende Ansätze wie GradCAM, Taylor Decomposition, Activation Maximization auf ihre Anwendbarkeit anhand von synthetischen Bilddaten systematisch untersucht werden. Hierzu werden Daten- und Kontrollschnittstellen zu den anvisierten CNN-Verfahren umgesetzt und Vergleichsexperimente mit unbehandelten und auf verschiedene Weise vorsegmentierten Bilddaten konzipiert und durchgeführt. Die Arbeit soll ein intuitives Verständnis bzgl. der Fragestellung fördern, welchen Effekt eine vorherige Bildsegmentierung auf das Klassifikationsresultat und die CNN-interne Repräsentation von bildbasierten Daten hat

Download full text files

  • BA_Oliver_Wobst_2020.pdf
    deu

Export metadata

Additional Services

Share in Twitter Search Google Scholar

Statistics

frontdoor_oas
Metadaten
Author:Oliver Wobst
Advisor:Marc Ritter, Holger Langner
Document Type:Bachelor Thesis
Language:German
Year of Completion:2020
Granting Institution:Hochschule Mittweida
Release Date:2021/09/02
GND Keyword:Bildsegmentierung; Convolutional Neural Network
Institutes:Angewandte Computer‐ und Bio­wissen­schaften
DDC classes:006.32 Neuronales Netz
Open Access:Innerhalb der Hochschule
Licence (German):License LogoEs gilt das UrhG