Fachgebiet Neuroinformatik und Kognitive Robotik Thema: Deep-learning-basierte semantische Segmentierung von Straßen zur pixelgenauen Detektion von Schadstellen Beschreibung: Betreuer: Daniel Seichter, M.Sc. ( [email protected]) Dipl.-Inf. Ronny Stricker ( [email protected]) Betr. Hochschullehrer: Prof. Dr. H.M. Groß Bearbeiter: Marius Engelhardt Bachelorarbeit Im Rahmen eines Zustandserfassungs- und -bewertungsprozesses unterliegen die bundesdeutschen Fernstraßen einer regelmäßigen Befahrung mit Videowagen. Die dabei entstehenden visuellen Daten werden derzeit in einem Forschungsprojekt am Fachgebiet NI&KR automatisiert auf Schadstellen analysiert. Detaillierte Aufgabenstellung: • Systematische Aufarbeitung des State of the Art zum Themenfeld der Schadstellendetektion mittels Verfahren zur semantischen Segmentierung • Auswahl und Implementierung eines vielversprechenden Ansatzes mit Tensorflow und Keras • Training auf einem bereits existierenden Datensatz • Evaluierung des implementierten Ansatzes bezüglich der Segmentierungsleistung • Ausarbeitung von Präsentationen für den Eröffnungs-, und Abschlussvortrag • Anfertigen der Bachelorarbeit entsprechend der Vorgaben des FG NI&KR Literatur: [1] Eisenbach et al.: How to Get Pavement Distress Detection Ready for Deep Learning? A Systematic Approach , IJCNN, 2017. [2] Chen et al.: Rethinking Atrous Convolution for Semantic Image Segmentation , arXiv, 2017. [3] Zhao et al.: Pyramid Scene Parsing Network , CVPR, 2017. [4] Zhao et al.: PSANet: Point-wise Spatial Attention Network for Scene Parsing, ECCV, 2018. • Elektronische Literaturdatenbank des FG NI&KR mit Recherchemöglichkeiten • Elektronische Konferenzproceedings Datenbank des FG NI&KR • IEEE Recherchesystem www.ieeexplore.ieee.org (nur aus dem Uni-Netz bzw. via VPN) • Google Scholar scholar.google.com • Proceedings der relevanten Konferenzen (NIPS, ICML, ICLR, IJCNN, WCCI, ICANN, CVPR, ICCV, ECCV, BMVC, ICPR, ICIP, …) Notwendige Voraussetzungen: • Abschluss der Vorlesungen Neuroinformatik und Angewandte Neuroinformatik • Verständnis englischsprachiger Literatur • Gutes mathematisches Verständnis und Erfahrung in der Programmierung mit Python Bildquelle: [1] Bisher verwendete patch-basierte Klassifikatoren, wie [1], ermöglichen bereits eine gute Beurteilung des Zustands der Fernstraßen. Aufgrund der Beschränkung der rezeptiven Felder infolge des patch-basierten Ansatzes, ist es jedoch nicht möglich, Kontextinformationen geeignet in den Entscheidungsprozess einfließen zu lassen, so dass auch großflächige Schäden als solche detektiert und Verwechselungen ausgeschlossen werden können. Im Rahmen dieser Bachelorarbeit soll daher untersucht werden, ob bestehende Verfahren zur semantischen Segmentierung, wie beispielsweise [2], [3] oder [4], auf den Anwendungsbereich der Schadstellendetektion übertragen werden können.

BA Pavement Segmentation - tu-ilmenau.de · FachgebietNeuroinformatikund KognitiveRobotik Thema: Deep-learning-basierte semantische Segmentierung von Straßen zur pixelgenauen Detektion

Download PDF Report

Upload
others
View
2
Download
0

Embed Size (px)

Citation preview

Fachgebiet Neuroinformatik und Kognitive Robotik

Thema: Deep-learning-basierte semantische Segmentierung von Straßen zur pixelgenauen Detektion von Schadstellen

Beschreibung:

Betreuer: Daniel Seichter, M.Sc. ([email protected])Dipl.-Inf. Ronny Stricker ([email protected])

Betr. Hochschullehrer: Prof. Dr. H.M. GroßBearbeiter: Marius Engelhardt

Bachelorarbeit

Im Rahmen eines Zustandserfassungs- und -bewertungsprozesses unterliegen diebundesdeutschen Fernstraßen einer regelmäßigen Befahrung mit Videowagen. Diedabei entstehenden visuellen Daten werden derzeit in einem Forschungsprojekt amFachgebiet NI&KR automatisiert auf Schadstellen analysiert.

Detaillierte Aufgabenstellung:• Systematische Aufarbeitung des State of the Art zum Themenfeld der

Schadstellendetektion mittels Verfahren zur semantischen Segmentierung• Auswahl und Implementierung eines vielversprechenden Ansatzes mit Tensorflow und

Keras• Training auf einem bereits existierenden Datensatz• Evaluierung des implementierten Ansatzes bezüglich der Segmentierungsleistung• Ausarbeitung von Präsentationen für den Eröffnungs-, und Abschlussvortrag• Anfertigen der Bachelorarbeit entsprechend der Vorgaben des FG NI&KR

Literatur:[1] Eisenbach et al.: How to Get Pavement Distress Detection Ready for Deep Learning? A Systematic

Approach, IJCNN, 2017.[2] Chen et al.: Rethinking Atrous Convolution for Semantic Image Segmentation, arXiv, 2017.[3] Zhao et al.: Pyramid Scene Parsing Network, CVPR, 2017.[4] Zhao et al.: PSANet: Point-wise Spatial Attention Network for Scene Parsing, ECCV, 2018.• Elektronische Literaturdatenbank des FG NI&KR mit Recherchemöglichkeiten• Elektronische Konferenzproceedings Datenbank des FG NI&KR• IEEE Recherchesystem www.ieeexplore.ieee.org (nur aus dem Uni-Netz bzw. via VPN)• Google Scholar scholar.google.com• Proceedings der relevanten Konferenzen (NIPS, ICML, ICLR, IJCNN, WCCI, ICANN, CVPR, ICCV,

ECCV, BMVC, ICPR, ICIP, …)

Notwendige Voraussetzungen: • Abschluss der Vorlesungen Neuroinformatik und Angewandte Neuroinformatik• Verständnis englischsprachiger Literatur• Gutes mathematisches Verständnis und Erfahrung in der Programmierung mit Python

Bild

quel

le: [

Bisher verwendete patch-basierte Klassifikatoren, wie [1],ermöglichen bereits eine gute Beurteilung des Zustands derFernstraßen. Aufgrund der Beschränkung der rezeptivenFelder infolge des patch-basierten Ansatzes, ist es jedochnicht möglich, Kontextinformationen geeignet in denEntscheidungsprozess einfließen zu lassen, so dass auchgroßflächige Schäden als solche detektiert undVerwechselungen ausgeschlossen werden können.Im Rahmen dieser Bachelorarbeit soll daher untersuchtwerden, ob bestehende Verfahren zur semantischenSegmentierung, wie beispielsweise [2], [3] oder [4], auf denAnwendungsbereich der Schadstellendetektion übertragenwerden können.

mailto:[email protected]

https://ieeexplore.ieee.org/document/7966101

https://arxiv.org/pdf/1706.05587.pdf

http://openaccess.thecvf.com/content_cvpr_2017/papers/Zhao_Pyramid_Scene_Parsing_CVPR_2017_paper.pdf

http://openaccess.thecvf.com/content_ECCV_2018/papers/Hengshuang_Zhao_PSANet_Point-wise_Spatial_ECCV_2018_paper.pdf