Wissensbasierte Bildverarbeitung Information aus Big Data lernen Znalostní zpracování obrazu Získávání informací z Big Data

HTML
DOWNLOAD

Rozměr: px

Začít zobrazení ze stránky:

Download "Wissensbasierte Bildverarbeitung Information aus Big Data lernen Znalostní zpracování obrazu Získávání informací z Big Data"

Pavlína Havlíčková
před 6 lety
Počet zobrazení:

1 Wissensbasierte Bildverarbeitung Information aus Big Data lernen Znalostní zpracování obrazu Získávání informací z Big Data

2 Bildverarbeitung klassisch Klasické zpracování obrazu Klassisch: Bild = Pixel Identifikation von Objekten als Pixelgruppen Finde Primitive: Kurven, Kreise, Bildverbesserung: Entrauschen, Kontrast Features: Ecken, Kanten,... Resultat für Experten Klasicky: obrázek = pixel Identifikace objektů jako skupiny pixelů Hledání primitivních funkcí: Křivky, kružnice, Vylepšení obrazu: Features: Odstranění šumu, kontrast Hrany, okraje,... Výsledek pro experty

3 Neue Fragestellungen Vznikající otázky Moderne Sensoren Riesige Datenmengen Signale in 1D, 2D, 3D, 4D Fragestellung durch Laien Unscharfe Formulierung Kein Interesse an Details Daher: Information statt Daten CT als Sensorsystem Moderní senzory Ohromná množství dat Signály v 1D, 2D, 3D, 4D Otázky laiků Nepřesné formulace Nezájem o detaily Proto: Informace namísto Data CT jako systém senzorů

4 Neue Fragestellungen II Vznikající otázky II Big-Data Anwendungen: XXL-CT: Groß + hohe Auflösung Inline-CT: Viele Messungen Mehrere TB pro Messung/Tag Probleme: Speicherung Handhabung Auswertung Využití Big Data: XXL-CT: Velké + vysoké rozlišení Inline CT: Mnoho měření Více TB za měření/den Problémy: Úložiště Manipulace Vyhodnocení

5 Neue Fragestellungen III Vznikající otázky III Medizin: Scanne Menschen Identische Anatomie Vorwissen Industrie: Objekte variabel Wechselnde Anforderungen Komplexe Situationen Andere Herausforderungen Lékařství: Scan lidí Identické anatomie znalosti Průmysl: Různé objekty Měnící se požadavky Komplexní situace Jiné výzvy

6 Datenmengen Množství dat Scans von > 1B Kompression Genauigkeit? Datenhandling im Rechner? Rubens: Waveletkompression auf 4% ROI-Dekomprimierung Entrauschen eingebaut Keine Spezialhardware Scany od > 1B Komprese Přesnost? Manipulace s daty v počítači? Rubens: Vlnková komprese 4% ROI-Dekomprimace Zakomponování omezení šumu Žádné speciální hardwary

7 Einblicke Vhled Überraschungseier Fragen: Inhalt? Nachbau? Kinder vajíčko Otázky: Obsah? Vymodelování?

8 Einblicke Vhled Überraschungseier? In der realen Welt Kulturgut Reverse Engineering Reparatur Kinder vajíčko? V reálném světě Kulturní dědictví Reverzní inženýrství Opravy

9 Beispiel Příklad CT-Scan von Verpackung Fragen: Inhalt? Vollständig? Einzelteile OK? Stückliste (unbekannt)? CT skenování balení Otázky: Obsah? Kompletní? Jednotlivé části OK? Seznam (neznámý)?

10 Beispiel Příklad Viel einfachere Frage: Was ist drin? Wie viele Teile Trenne die Teile Segmentierung Mnohem jednodušší otázky: Co je vevnitř? Kolik částí Oddělení částí Segmentace

11 Noch eine Segmentierung Ještě jedna segmentace Musikinstrument im CT Segmentiere Material Segmentiere Geometrie Artefakte Komplexe Aufgabe Hudební nástroj v CT Segmentovaný materiál Segmentovaná geometrie Artefakty Komplexní zadání

12 Leichte Segmentierung Lehká segmentace Vorheriges Bild Metallröhrchen Dichtestes Material Threshold Leicht Předchozí obrázek Kovové trubičky Nejhustější materiál Threshold Lehké

13 Schwere Segmentierung Těžká segmentace Rohrblattträger Kunststoff Dichte wie andere Teile Geometrie Machine Learning (SVM) Hubičky hudebních nástrojů Umělá hmota Hustota jako jiné části Geometrie Machine Learning (SVM)

14 Beispiel Příklad Crashtest Verformung? Verfizierung Simulation? Geometry Processing Crashtest Zdeformování? Ověření simulace? Geometry Processing

15 Wissensbasierte Bildverarbeitung Znalostní zpracování obrazu Verarbeitung von großen Datenmengen Ergebnis ist Antwort auf vorgegebene Frage Nutzung von Vorwissen Erfahrung aus anderen Messungen: Machine Learning Benutzerinteraktion Multimodalität Feedback zur Messung Zpracování velkých množství dat Výsledkem je odpověď na zadanou otázku Využití znalostí Zkušenost z jiných měření: Machine Learning Uživatelská interakce Multimodalita Feedback k měření

16 Was braucht man? Co člověk potřebuje? Hoher wissenschaftlicher Anspruch Mathematik & Informatik Schnittstelle zur Anwendung Hoher Nutzen: neue Verfahren Höheres Risiko: Spass an der Sache Vysoké vědecké požadavky Matematika & informatika Rozhraní k aplikaci Velký přínos: Nové metody Vysoké riziko: Radost z práce

Podobné dokumenty

Voda její vlastnosti Wasser und seine Eigenschaften

Voda její vlastnosti Wasser und seine Eigenschaften VĚKOVÁ SKUPINA B ALTERSKLASSE B PŘÍRODOVĚDNÝ PROJEKTOVÝ DEN NATURWISSENSCHAFTLICHER PROJEKTTAG Pracovní list organoleptika Arbeitsblatt Organoleptik Úkol Aufgabe Organoleptika znamená posuzování vlastností