Content

• Motivation (2 Seiten of which 1 Problem/Motivation 0.5 Seiten Ziele/Arbeitspakete Arbeit, 0.5 Strukturierung)

  • Definition Fahrradfreundlichkeit (Titel erklären)
  • Schon für Menschen schwierig zu erkennen (auf Satellitenbildern)

• Stand der Wissenschaft/Forschung/Technik (Methoden, Literaturrecherce)

  • Neuronale Netze (2 seiten)
    • gewichte = "parameter"
    • Klassen-Imbalance
    • Datensplits
    • convolutional layer
    • Lernrate
    • Ground-Truth / Label / Ziel-Maske
    • Inferenz
  • Image (instance segmentation) semantic segmentation vs image detection (bounding boxes) vs klassifizierung
  • Aktivierungsfunktionen ELU, RELU, Sigmoid
  • (Potentielle Probleme (mit kleinem Datensatz): Overfitting, Underfitting, Vanishing Gradient ...)
  • Metriken
    • Binary Cross Entropy
    • IoU
    • Dice bzw. f1
    • Quality (Correctness/Completeness)
  • (andere Architekturen zur image semantic segmentation?? Will Markus das?)
  • Architekturkomponenten
    • Dropout Layers (hilft gegen overfitting)
    • Batch Normalization (hilft aus gründen + Datensatz sonst nicht sonderlich normalized/standardized - für Inference werden durchschnittswerte verwendet)
    • U-NET
      • (Skip Connections (hilft gegen vanishing gradient und mit localization))
      • Gut für kleiner Datensatz (was ist schon ein kleiner Datensatz?)
  • Backbones (KURZE Vorstellung ausgewählter Netze)
    • vgg16
    • (inceptionv3)
    • (resnet34)
    • densenet121
  • Transfer Learning
    • insb. mit UNET
      • backbone strategie
      • verschiedene freeze-strategien
      • einfach bisherigen research kurz abbreißen
      • benchmarks
  • Straßenerkennung
    • Datensätze
      • Massachuchettes (viel weiß)
      • Deep Globe (viel unterschiedliche szenerien)
      • LandCover.ai (zu viel acker)
      • ... (siehe Citavi)
    • Benchmarks (also welche ergebnisse konnten schon hierzu erzielt werden (dafür siehe vor allem Citavi U-Net > Benchmakr))
  • Herausarbeitung des Neuheitswertes (vgl gegen Straßenerkennung)

• Konzeption (Zielvorstellung)

  • Datensatz
    • gibt es keinen :(, aber wir haben einen selber gemacht :)
    • manuell gelabeled vs automatisch gelabeled ?
    • zahlen daten fakten größe auflösung etc pp
    • unterschiedliche Städte
    • TESTDATENSATZ KARLSRUHE -> hiermit wird dann die generalisierungfähigkeit für andere Städte mit andersartigen Bildern getestet
  • Pre-Processing
    • (Image Augmentation -> robuster), Welche Augmentation und warum?
    • Zerschneiden in 512x512 große schnipsel, warum?
    • RGB wird von 0..255 auf 0..1 abegbildet (Teilung durch 255)
  • Architektur
  • Evaluationsmaße (Loss und Bewertung)
    • IoU + Quality ganz gut für spätere Bewertung weil Mix aus stringent und locker + menschliche Einschätzung, Warum Dice und nicht Falpha oder BCE ? Hier auf die Bewertung achten: zählt background als richtig?
  • Hyperparameter
  • Pretraining auf roads data set
    • Mass angepasst
  • Welche Methoden, welche Tests ?

• Implementierung

  • KI bedienen
  • Datensatz bauen

• Ergebnisse

  • Ergebnisse von pre-training auf raods
    • mit anpassung bessere ergebnisse als paper. Ohne Anpassung konnten Paper-Ergebnisse reproduziert werden.
  • Dropout sehr wichtig (sonst haben wir heftiges Overfitting)

• Diskussion

  • Warum gerade bei unserem Datensatz Dropout wichtig?
  • Metriken (IoU vs Quality gepaart mit empirischem empfinden)

• Schluss

  • Zusammenfassung
  • Kritische Reflexion
  • Ausblick
    • Post-Processing