Publikationsliste Hochschul-Bibliografie

Anzahl der Treffer: 30
Erstellt: Fri, 21 Jan 2022 23:29:08 +0100 in 0.0542 sec


Balada, Christoph; Eisenbach, Markus; Groß, Horst-Michael;
Evaluation of transfer learning for visual road condition assessment. - In: Artificial neural networks and machine learning - ICANN 2021, (2021), S. 540-551

Through deep learning, major advances have been made in the field of visual road condition assessment in recent years. However, many approaches train from scratch and avoid transfer learning due to the different nature of road surface data and the ImageNet dataset, which is commonly used for pre-training neural networks for visual recognition. We show that, despite the huge differences in the data, transfer learning outperforms training from scratch in terms of generalization. In extensive experiments, we explore the underlying cause by examining various transfer learning effects. For our experiments, we are incorporating seven known architectures. Therefore, this is the first comprehensive study of transfer learning in the field of visual road condition assessment.



Aganian, Dustin; Eisenbach, Markus; Wagner, Joachim; Seichter, Daniel; Groß, Horst-Michael;
Revisiting loss functions for person re-identification. - In: Artificial neural networks and machine learning - ICANN 2021, (2021), S. 30-42

Appearance-based person re-identification is very challenging, i.a. due to changing illumination, image distortion, and differences in viewpoint. Therefore, it is crucial to learn an expressive feature embedding that compensates for changing environmental conditions. There are many loss functions available to achieve this goal. However, it is hard to judge which one is the best. In related work, the experiments are only performed on the same datasets, but the use of different setups and different training techniques compromises the comparability. Therefore, we compare the most widely used and most promising loss functions under identical conditions on three different setups. We provide insights into why some of the loss functions work better than others and what additional benefits they provide. We further propose sequential training as an additional training trick that improves the performance of most loss functions. In our conclusion, we provide guidance for future usage an d research regarding loss functions for appearance-based person re-identification. Source code is available (Source code: https://www.tu-ilmenau.de/neurob/data-sets-code/re-id-loss/).



Eisenbach, Markus;
Personenwiedererkennung mittels maschineller Lernverfahren. - In: Ausgezeichnete Informatikdissertationen, Bd. 2019 (2021), S. 59-68

Eisenbach, Markus;
Personenwiedererkennung mittels maschineller Lernverfahren für öffentliche Einsatzumgebungen. - Ilmenau : Universitätsverlag Ilmenau, 2020. - 1 Online-Ressource (xix, 523 Seiten)
Technische Universität Ilmenau, Dissertation 2019

Die erscheinungsbasierte Personenwiedererkennung in öffentlichen Einsatzumgebungen ist eines der schwierigsten, noch ungelösten Probleme der Bildverarbeitung. Viele Teilprobleme können nur gelöst werden, wenn Methoden des maschinellen Lernens mit Methoden der Bildverarbeitung kombiniert werden. In dieser Arbeit werden maschinelle Lernverfahren eingesetzt, um alle Abarbeitungsschritte einer erscheinungsbasierten Personenwiedererkennung zu verbessern: Mithilfe von Convolutional Neural Networks werden erscheinungsbasierte Merkmale gelernt, die eine Wiedererkennung auf menschlichem Niveau ermöglichen. Für die Generierung des Templates zur Beschreibung der Zielperson wird durch Einsatz maschineller Lernverfahren eine automatische Auswahl personenspezifischer, diskriminativer Merkmale getroffen. Durch eine gelernte Metrik können beim Vergleich von Merkmalsvektoren szenariospezifische Umwelteinflüsse kompensiert werden. Eine Fusion komplementärer Merkmale auf Score Level steigert die Wiedererkennungsleistung deutlich. Dies wird vor allem durch eine gelernte Gewichtung der Merkmale erreicht. Das entwickelte Verfahren wird exemplarisch anhand zweier Einsatzszenarien - Videoüberwachung und Robotik - evaluiert. Bei der Videoüberwachung ermöglicht die Wiedererkennung von Personen ein kameraübergreifendes Tracking. Dies hilft menschlichen Operateuren, den Aufenthaltsort einer gesuchten Person in kurzer Zeit zu ermitteln. Durch einen mobilen Serviceroboter kann der aktuelle Nutzer anhand einer erscheinungsbasierten Wiedererkennung identifiziert werden. Dies hilft dem Roboter bei der Erfüllung von Aufgaben, bei denen er den Nutzer lotsen oder verfolgen muss. Die Qualität der erscheinungsbasierten Personenwiedererkennung wird in dieser Arbeit anhand von zwölf Kriterien charakterisiert, die einen Vergleich mit biometrischen Verfahren ermöglichen. Durch den Einsatz maschineller Lernverfahren wird bei der erscheinungsbasierten Personenwiedererkennung in den betrachteten unüberwachten, öffentlichen Einsatzfeldern eine Erkennungsleistung erzielt, die sich mit biometrischen Verfahren messen kann.



https://doi.org/10.22032/dbt.45621
Müller, Steffen; Wengefeld, Tim; Trinh, Thanh Quang; Aganian, Dustin; Eisenbach, Markus; Groß, Horst-Michael;
A multi-modal person perception framework for socially interactive mobile service robots. - In: Sensors, ISSN 1424-8220, Bd. 20 (2020), 3, 722, insges. 18 S.

https://doi.org/10.3390/s20030722
Eisenbach, Markus; Stricker, Ronny; Sesselmann, Maximilian; Seichter, Daniel; Groß, Horst-Michael;
Enhancing the quality of visual road condition assessment by deep learning. - In: XXVI World Road Congress - Abu Dhabi 2019, (2019), S. 1-13

Sesselmann, Maximilian; Stricker, Ronny; Eisenbach, Markus;
Deep learning for automatic detection and classification of road damage from mobile LiDAR data :
Einsatz von Deep Learning zur automatischen Detektion und Klassifikation von Fahrbahnschäden aus mobilen LiDAR-Daten. - In: AGIT, ISSN 2509-713X, Bd. 5 (2019), S. 100-114

https://doi.org/10.14627/537669009
Stricker, Ronny; Eisenbach, Markus; Sesselmann, Maximilian; Debes, Klaus; Groß, Horst-Michael;
Improving visual road condition assessment by extensive experiments on the extended GAPs dataset. - In: 2019 International Joint Conference on Neural Networks (IJCNN), (2019), S. 1-8

https://doi.org/10.1109/IJCNN.2019.8852257
Schnürer, Thomas; Fuchs, Stefan; Eisenbach, Markus; Groß, Horst-Michael;
Real-time 3D pose estimation from single depth images. - In: VISIGRAPP 2019, (2019), S. 716-724

Seichter, Daniel; Eisenbach, Markus; Stricker, Ronny; Groß, Horst-Michael;
How to improve deep learning based pavement distress detection while minimizing human effort. - In: 2018 IEEE 14th International Conference on Automation Science and Engineering (CASE), (2018), S. 63-70

https://doi.org/10.1109/COASE.2018.8560372