Promotionen der Fakultät für Informatik im Jahr 2024

28.03.2024

Batbayar Battseren
"Software Architecture for Real-Time Image Analysis in Autonomous Mav Missions"
Promotion zum Dr.-Ing.

Abstract:

The thesis tackles the challenge of real-time image analysis on resource-constrained embedded platforms, particularly micro aerial vehicles (MAVs), by introducing a novel software architecture. This architecture is designed to integrate modularity, adaptability, efficiency, robustness, and real-time capabilities essential for MAV applications. Combining elements from blackboard and microservices architectures, the proposed solution aims to leverage the strengths of both paradigms while addressing their individual limitations. Through the utilization of shared memory inter-process communication, the architecture establishes a centralized knowledge base and API, facilitating the decomposition of computer vision tasks into smaller, loosely coupled software components.

The testing underlines the architecture's real-time performance, scalability, and reliability, positioning it as a promising foundation for real-time computer vision systems on resource-constrained embedded platforms. This proposed approach holds significant implications for various industries reliant on MAV technology, including aerial surveillance, precision agriculture, environmental monitoring, and infrastructure inspection. Ultimately, the thesis offers a modular and efficient solution to the intricate demands of real-time image analysis in embedded systems, advancing the capabilities of MAVs and related applications.

11.03.2024

René Bergelt
"Methoden zur effizienten Datenaggregation in drahtlosen Big-Data-Sensornetzen"
Promotion zum Dr.-Ing.

Abstract:

Sowohl in der Forschung als auch in der industriellen Anwendung erfahren drahtlose Sensornetze (engl. wireless sensor networks, WSN) eine immer höhere Popularität. Dies liegt nicht zuletzt an den Forschungsgebieten Car2X-Kommunikation, Internet of Things sowie Umweltüberwachung als Teil des Katastrophenschutzes. Typischer Schwerpunkt ist das energieeffiziente und latenzarme Übertragen von Informationen in einem drahtlos verknüpften Netz aus stark ressourcenbeschränkten Hardwareplattformen.
Die Dissertation beschäftigt sich mit der Forschungsfrage, inwieweit Methoden und konkrete Algorithmen aus dem Big-Data-Computing vorteilhaft in drahtlosen Sensornetzen eingesetzt werden können. Während es im ersten Moment nicht intuitiv erscheinen mag, dass Ansätze aus dem Big-Data-Bereich, die bereits konventionelle Rechensysteme an ihre Grenzen bringen, für Sensornetze relevant sein sollen, zeigt die Arbeit Parallelen auf, die zwischen klassischem Big Data und einer Teilgruppe von Sensornetzen existieren. Im Rahmen der Arbeit wird dazu der Begriff drahtloses Big-Data-Sensornetz (Big Data WSN) definiert und darauf aufbauend werden Anforderungen an ein Datenaggregationssystem für ebensolche Sensornetze erörtert sowie konkrete Big-Data-Algorithmen konzeptionell übertragen und adaptiert.
Es wird gezeigt, dass sich sogenannte datenbank-orientierte Aggregationssysteme zur Umsetzung dieser Anforderungen eignen und das ein solches existierendes System für Big Data WSN erweitert werden kann.
Die Hauptbeiträge der Dissertation sind die Vorstellung eines Routingverfahrens für Big Data WSN, das anwendungsrelevante Knoten energieeffizient ermittelt, die Übertragung von Big Data Algorithmen auf WSN zur Reduzierung der zu übertragenden beziehungsweise zu speichernden Datenmenge sowie ein Ereignissystem zur Steigerung der Energieeffizienz und Verringerung der Latenz von Ereignisreaktionen.

16.01.2024

Shadi Saleh
"Monocular Depth Estimation with Edge-Based Constraints using Active Learning Optimization"
Promotion zum Dr.-Ing.

Abstract:

Depth sensing is pivotal in robotics; however, monocular depth estimation encounters formidable challenges. Existing algorithms, relying on extensive labeled data and large Deep Convolutional Neural Networks (DCNNs), impede real-world applications. We propose two lightweight architectures, attaining commendable accuracy of 91.2% and 90.1%, concurrently reducing the depth error Root Mean Square Error (RMSE) to 4.815 and 5.036. Our lightweight depth model runs at 29-44 FPS on the Jetson Nano GPU, demonstrating efficient performance with minimal power consumption.

Furthermore, we introduce a mask network designed to visualize and analyze the inference of the compact depth network. This aids in the discernment of informative samples for the active learning approach, thereby contributing to heightened model accuracy and enhanced generalization capabilities.

Additionally, our methodology encompasses the introduction of an active learning framework, strategically designed to enhance model performance and accuracy through efficiently utilization of limited labeled training data. This novel framework surpasses antecedent studies by achieving commendable results with a mere 18.3% utilization of the KITTI Odometry dataset. This achievement reflects an adept equilibrium between computational efficiency and accuracy, particularly tailored for cost-effective devices, thereby concurrently diminishing data training requirements.

16.01.2024

Tobias Schlosser
"Biologically Inspired Hexagonal Deep Learning for Hexagonal Image Processing"
Promotion zum Dr.rer.nat.

Abstract (DE):

Aktuelle Ansätze zur digitalen Bildverarbeitung im Rahmen des maschinellen Lernens und des Deep Learning sind zwar durch biologische Prozesse im menschlichen Gehirn motiviert, aber auch durch den aktuellen Stand der Technik der Ein- und Ausgabegeräte sowie der Algorithmen, die sich mit der Verarbeitung ihrer Daten befassen, begrenzt. Um digitale Bilder aus realen Szenen zu erzeugen, basieren die zugrunde liegenden Gitterformate der verwendeten digitalen Bilder überwiegend auf rechteckigen oder quadratischen Strukturen. Das menschliche visuelle Wahrnehmungssystem schlägt jedoch einen alternativen Ansatz vor, der sich in den Sinneszellen des menschlichen Auges in Form von hexagonalen Anordnungen manifestiert.

Dieser Beitrag befasst sich daher mit dem Entwurf, der Implementierung und der Evaluation hexagonaler Lösungen zu aktuell entwickelten Ansätzen in Form von hexagonalen tiefen neuronalen Netzen. Dazu musste die jeweils realisierte hexagonale Funktionalität von Grund auf als hexagonales Gegenstück zu ansonsten konventionellen, auf quadratischem Gitterformat basierenden Bildverarbeitungs- und Deep-Learning-Systemen aufgebaut werden. Darüber hinaus mussten hexagonale Äquivalente für auf künstlichen neuronalen Netzen basierende Operationen, Schichten, sowie Modelle und Architekturen realisiert werden.

Um die Bewertung hexagonaler Ansätze zu ermöglichen, werden verschiedene Anwendungsbereiche und Anwendungsfälle innerhalb der konventionellen und hexagonalen Bildverarbeitung – astronomische, medizinische und industrielle Bildverarbeitung – vorgestellt, die eine Bewertung hexagonaler tiefer neuronaler Netze im Hinblick auf ihre Klassifizierungsfähigkeiten sowie ihre allgemeine Leistung ermöglichen. Die erzielten und präsentierten Ergebnisse zeigen die möglichen Vorteile hexagonaler tiefer neuronaler Netze und ihrer hexagonalen Darstellungen für Bildverarbeitungssysteme. Es wird gezeigt, dass hexagonale tiefe neuronale Netze zu verbesserten Klassifizierungsfähigkeiten bei verschiedenen geometrischen Grundformen und Konturen führen können, was sich wiederum teilweise auf ihre realen Anwendungen übertragen lässt.

Abstract (EN):

While current approaches to digital image processing within the context of machine learning and deep learning are motivated by biological processes within the human brain, they are, however, also limited due to the current state of the art of input and output devices as well as the algorithms that are concerned with the processing of their data. In order to generate digital images from real-world scenes, the utilized digital images' underlying lattice formats are predominantly based on rectangular or square structures. Yet, the human visual perception system suggests an alternative approach that manifests itself within the sensory cells of the human eye in the form of hexagonal arrangements.

This contribution is therefore concerned with the design, the implementation, and the evaluation of hexagonal solutions to currently developed approaches in the form of hexagonal deep neural networks. For this purpose, the respectively realized hexagonal functionality had to be built from the ground up as hexagonal counterparts to otherwise conventional, square lattice format based image processing and deep learning based systems. Furthermore, hexagonal equivalents for artificial neural network based operations, layers, as well as models and architectures had to be realized.

To enable the evaluation of hexagonal approaches, a set of different application areas and use cases within conventional and hexagonal image processing – astronomical, medical, and industrial image processing – are provided that allow an assessment of hexagonal deep neural networks in terms of their classification capabilities as well as their general performance. The obtained and presented results demonstrate the possible benefits of hexagonal deep neural networks and their hexagonal representations for image processing systems. It is shown that hexagonal deep neural networks can result in increased classification capabilities given different basic geometric shapes and contours, which in turn partially translate into their real-world applications.