Die hier zur Verfügung gestellte Datei ist leider nicht vollständig, aus technischen Gründen sind die folgenden Anhänge leider nicht enthalten: Anhang 3: Begriffshierarchie "verarbeitungstechnische Funktion" S. 141 Anhang 4: Begriffshierarchie "Eigenschaftsänderung" S. 144 Anhang 5: Begriffshierarchie "Verarbeitungsgut" S. 149 Anhang 6: Begriffshierarchie "Verarbeitungstechnisches Prinzip" S. 151 Konsultieren Sie die Druckausgabe, die Sie im Bestand der SLUB Dresden finden: http://slubdd.de/katalog?TN_libero_mab21079933:ABKÜRZUNGEN UND FORMELZEICHEN S. 5 1. EINLEITUNG S. 7 2. UNTERSTÜTZUNGSMITTEL FÜR DIE KONZEPTPHASE IN DER VERARBEITUNGSMASCHINEN-KONSTRUKTION - ALLGEMEINE ANFORDERUNGEN, ENTWICKLUNGSSTAND 9 2.1. DIE BEDEUTUNG DER KONZEPTPHASE IN DER VERARBEITUNGSMASCHINENKONSTRUKTION S. 9 2.2. ALLGEMEINE ANFORDERUNGEN AN UNTERSTÜTZUNGSMITTEL FÜR DEN KONSTRUKTEUR ALS PROBLEMLÖSER S. 13 2.3. SPEZIFIK VERARBEITUNGSTECHNISCHER PROBLEMSTELLUNGEN S. 17 2.3.1. Verarbeitungstechnische Informationen im Konstruktionsprozeß von Verarbeitungsmaschinen S. 17 2.3.2. Komplexität verarbeitungstechnischer Probleme S. 19 2.3.3. Unbestimmtheit verarbeitungstechnischer Probleme S. 21 2.3.4. Beschreibungsspezifik verarbeitungstechnischer Problemstellungen S. 22 2.4. UNTERSTÜTZUNGSMITTEL FÜR DIE KONZEPTPHASE UND IHRE EIGNUNG FÜR DIE VERARBEITUNGSMASCHINENKONSTRUKTION S. 24 2.4.1. Traditionelle Unterstützungsmittel für die Lösungssuche S. 24 2.4.1.1. Lösungskataloge S. 24 2.4.1.2. Konstruktionsmethodik in der Prinzipphase S. 25 2.4.2. Rechnerunterstützung für die Konstruktion mit Relevanz für die Konzeptphase S. 28 2.4.2.1. Kurzüberblick über Konstruktionsunterstützungssysteme und ihre Einbindung in übergeordnete Systeme S. 28 2.4.2.2. Rechnerunterstützung zum Analysieren S. 31 2.4.2.3. Rechnerunterstützung zum Informieren S. 32 2.4.2.4. Rechnerunterstützung zum Synthetisieren S. 34 2.4.2.5. Rechnerunterstützung zum Bewerten und Auswählen S. 39 2.4.2.6. Integrierende Systeme mit Unterstützung für die Konzeptphase S. 41 2.4.3. Der Wissensspeicher Verarbeitungstechnik S. 43 2.5. SCHLUßFOLGERUNGEN AUS DER ANALYSE DES IST-STANDES S. 46 3. ANFORDERUNGEN AN EINE RECHNERUNTERSTÜTZUNG DER PRINZIPPHASE DER VERARBEITUNGSMASCHINENKONSTRUKTION 47 3.1. FUNKTIONSBESTIMMUNG S. 47 3.1.1. Typisierung der mit dem System zu lösenden Fragestellungen S. 47 3.1.2. Anforderungen an Funktionalität und Dialoggestaltung S. 50 3.2. INHALTLICHE ABGRENZUNG S. 54 3.3. ANFORDERUNGEN AN DIE WISSENSREPRÄSENTATION S. 57 4. INFORMATIONSMODELL DES VERARBEITUNGSTECHNISCHEN PROBLEMRAUMES S. 61 4.1. ÜBERBLICK ÜBER MÖGLICHE DARSTELLUNGSARTEN S. 61 4.1.1. Allgemeiner Überblick S. 61 4.1.1.1. Unterschiede zwischen wissensbasierten Systemen und anderen Wissensrepräsentationsformen S. 61 4.1.1.2. Algorithmische Modellierung S. 62 4.1.1.3. Relationale Modellierung S. 63 4.1.1.4. Darstellungsformen in wissensbasierten Systemen S. 64 4.1.2. Die verwendete Software und ihre Möglichkeiten S. 71 4.2. ÜBERBLICK ÜBER DEN SYSTEMAUFBAU S. 74 4.2.1. Gesamtüberblick S. 74 4.2.2. Sichtenmodell S. 78 4.2.3. Relationale Darstellung von Prinzipinformationen, Kennwerten und Kenngrößen S. 83 4.2.4. Bildinformationen S. 85 4.2.5. Ergänzende Informationen in der Benutzeroberfläche S. 86 4.3. MODELLIERUNG VON WISSENSKOMPONENTEN DER DOMÄNE VERARBEITUNGSTECHNIK S. 87 4.3.1. Abbildung verarbeitungstechnischer Funktionen S. 87 4.3.1.1. Darstellungsarten für verarbeitungstechnische Funktionen - Bedeutung, Verwendung, Probleme S. 87 4.3.1.2. Die Sicht "Verarbeitungstechnische Funktion" S. 89 4.3.1.3. Die Sicht "Eigenschaftsänderung" S. 90 4.3.2. Abbildung von Informationen über Verarbeitungsgüter S. 93 4.3.2.1. Beschreibungskomponenten und ihre Verwendung bei der Lösungssuche S. 93 4.3.2.2. Die Sicht "Verarbeitungsgut" S. 94 4.3.2.3. Abbildung von Verarbeitungsguteigenschaften S. 94 4.3.3. Abbildung verarbeitungstechnischer Prinzipe S. 96 4.3.3.1. Die Sicht "Verarbeitungstechnisches Prinzip" S. 96 4.3.3.2. Die Detailbeschreibung verarbeitungstechnischer Prinzipe S. 97 4.3.4. Verarbeitungstechnische Kenngrößen S. 99 4.3.5. Darstellung von Zusammenhängen mittels Regeln S. 100 4.3.6. Unterstützung der Feinauswahl S. 102 5. PROBLEMLÖSEN MIT DEM BERATUNGSSYSTEM VERARBEITUNGSTECHNIK S. 104 5.1. INTERAKTIVE PROBLEMAUFBEREITUNG S. 104 5.2. BESTIMMUNG DER LÖSUNGSMENGE - GROBAUSWAHL S. 109 5.3. FEINAUSWAHL S. 110 5.4. VERARBEITUNG DER ERGEBNISSE S. 112 6. WISSENSAKQUISITION S. 113 6.1. PROBLEME BEI DER WISSENSAKQUISITION S. 113 6.2. VORSCHLÄGE ZUR UNTERSTÜTZUNG UND ORGANISATION DER AKQUISITION FÜR DAS BERATUNGSSYSTEM VERARBEITUNGSTECHNIK S. 115 7. GEDANKEN ZUR WEITERENTWICKLUNG S. 116 7.1. INHALTLICHER UND FUNKTIONALER AUSBAU DES BERATUNGSSYSTEMS VERARBEITUNGSTECHNIK S. 116 7.1.1. Ergänzung der Sichtenbeschreibung durch weitere Sichten S. 116 7.1.2. Andere Erweiterungsmöglichkeiten S. 117 7.2. EINBINDUNGSMÖGLICHKEITEN FÜR DAS BERATUNGSSYSTEMS VERARBEITUNGSTECHNIK S. 118 8. ZUSAMMENFASSUNG S. 120 LITERATURVERZEICHNIS S. 123 Anhang 1: Beispiele für phasenübergreifende Rechnerunterstützung der Konstruktion 134 Anhang 2: Inhalt der Kerntabelle "Prinzip" S. 138 Anhang 3: Begriffshierarchie "verarbeitungstechnische Funktion" S. 141 Anhang 4: Begriffshierarchie "Eigenschaftsänderung" S. 144 Anhang 5: Begriffshierarchie "Verarbeitungsgut" S. 149 Anhang 6: Begriffshierarchie "Verarbeitungstechnisches Prinzip" S. 151 Anhang 7: Implementierung einer umstellbaren Formel am Beispiel Dichteberechnung S. 158

No description available.

This degree project proposes the design and the implementation of a novel systemfor deep analysis on large-scale datasets of hand poses. The system consists of a set ofmodules for automatic redundancy removal, classification, statistical analysis andvisualization of large-scale datasets based on their content characteristics. In thisproject, work is performed on the specific use case of images of hand movements infront of smartphone cameras. The characteristics of the images are investigated, andthe images are pre-processed to reduce repetitive content and noise in the data. Twodifferent design paradigms for content analysis and image classification areemployed, a computer vision pipeline and a deep learning pipeline. The computervision pipeline incorporates several stages of image processing including imagesegmentation, hand detection as well as feature extraction followed by a classificationstage. The deep learning pipeline utilizes a convolutional neural network forclassification. For industrial applications with high diversity on data content, deeplearning is suggested for image classification and computer vision is recommendedfor feature analysis. Finally, statistical analysis is performed to visually extractrequired information about hand features and diversity of the classified data. Themain contribution of this work lies in the customization of computer vision and deeplearning tools for the design and the implementation of a hybrid system for deep dataanalysis. / Detta examensprojekt föreslår design och implementering av ett nytt system för djup analys av storskaliga datamängder av handställningar. Systemet består av en uppsättning moduler för automatisk borttagning av redundans, klassificering, statistisk analys och visualisering av storskaliga dataset baserade på deras egenskaper. I det här projektet utförs arbete på det specifika användningsområdet för bilder av handrörelser framför smarttelefonkameror. Egenskaperna hos bilderna undersöks, och bilderna förbehandlas för att minska repetitivt innehåll och ljud i data. Två olika designparadigmer för innehållsanalys och bildklassificering används, en datorvisionspipeline och en djuplärningsrörledning. Datasynsrörledningen innehåller flera steg i bildbehandling, inklusive bildsegmentering, handdetektering samt funktionen extraktion följt av ett klassificeringssteg. Den djupa inlärningsrörledningen använder ett fällningsnätverk för klassificering. För industriella applikationer med stor mångfald på datainnehåll föreslås djupinlärning för bildklassificering och vision rekommenderas för funktionsanalys. Slutligen utförs statistisk analys för att visuellt extrahera nödvändig information om handfunktioner och mångfald av klassificerade data. Huvuddelen av detta arbete ligger i anpassningen av datasyn och djupa inlärningsverktyg för design och implementering av ett hybridsystem för djup dataanalys.

Deep learning algorithms often face limitations in terms of their reliability in domains such as autonomous driving and medical imaging. Although these models have achieved notable success in solving inverse problems, their typical unidirectional mapping can still limit their performance. Invertible Neural Networks (INNs) can address these shortcomings, thanks to their unique ability to maintain invertibility between input and output paradigms while estimating complex data distributions. This thesis investigates the application of INNs to address three distinct research problems. The first research problem focuses on developing robust methodologies for outlier detection within the computer vision tasks of image classification and object detection. To tackle this problem, I developed novel methods, each of which learned the inlier data distribution using INNs. For incorporating outlier awareness in the object detection pipeline in particular, I generated synthetic outlier data from the reverse direction of the learned INN model for contrastive training. The method was rigorously validated against existing state-of-the-art approaches, and it demonstrated superior performance in identifying outliers while even reducing false positives. The second research problem involves solving an inverse problem in current tomography by utilizing a simulation setup that mimics electrolysis for bubble detection, which is crucial for efficient hydrogen production. An INN-based model is developed to reconstruct higher-resolution conductivity maps from lower-resolution magnetic flux density measurements. The results show that compared to traditional linear models, INNs can more robustly reconstruct these maps against changes in the noise level of magnetic flux density between training and inference. The third research problem addresses the non-decomposability of conventional image fusion models. An INN based model has been developed that not only fuses source medical images but also decomposes the fused image back into the original source images, a task that was previously unexplored. All in all, these three research problems may seem distinct, but the proposed INN-based methods provide a unified approach to address them, advancing each domain and paving the way for future research and broader applications of INNs in other research domains.

The task of 6D object pose estimation, i.e. of estimating an object position (three degrees of freedom) and orientation (three degrees of freedom) from images is an essential building block of many modern applications, such as robotic grasping, autonomous driving, or augmented reality. Automatic pose estimation systems have to overcome a variety of visual ambiguities, including texture-less objects, clutter, and occlusion. Since many applications demand real time performance the efficient use of computational resources is an additional challenge. In this thesis, we will take a probabilistic stance on trying to overcome said issues. We build on a highly successful automatic pose estimation framework based on predicting pixel-wise correspondences between the camera coordinate system and the local coordinate system of the object. These dense correspondences are used to generate a pool of hypotheses, which in turn serve as a starting point in a final search procedure. We will present three systems that each use probabilistic modeling and sampling to improve upon different aspects of the framework. The goal of the first system, System I, is to enable pose tracking, i.e. estimating the pose of an object in a sequence of frames instead of a single image. By including information from previous frames tracking systems can resolve many visual ambiguities and reduce computation time. System I is a particle filter (PF) approach. The PF represents its belief about the pose in each frame by propagating a set of samples through time. Our system uses the process of hypothesis generation from the original framework as part of a proposal distribution that efficiently concentrates samples in the appropriate areas. In System II, we focus on the problem of evaluating the quality of pose hypotheses. This task plays an essential role in the final search procedure of the original framework. We use a convolutional neural network (CNN) to assess the quality of an hypothesis by comparing rendered and observed images. To train the CNN we view it as part of an energy-based probability distribution in pose space. This probabilistic perspective allows us to train the system under the maximum likelihood paradigm. We use a sampling approach to approximate the required gradients. The resulting system for pose estimation yields superior results in particular for highly occluded objects. In System III, we take the idea of machine learning a step further. Instead of learning to predict an hypothesis quality measure, to be used in a search procedure, we present a way of learning the search procedure itself. We train a reinforcement learning (RL) agent, termed PoseAgent, to steer the search process and make optimal use of a given computational budget. PoseAgent dynamically decides which hypothesis should be refined next, and which one should ultimately be output as final estimate. Since the search procedure includes discrete non-differentiable choices, training of the system via gradient descent is not easily possible. To solve the problem, we model behavior of PoseAgent as non-deterministic stochastic policy, which is ultimately governed by a CNN. This allows us to use a sampling-based stochastic policy gradient training procedure. We believe that some of the ideas developed in this thesis, such as the sampling-driven probabilistically motivated training of a CNN for the comparison of images or the search procedure implemented by PoseAgent have the potential to be applied in fields beyond pose estimation as well.