Fulltext available Open Access
License: 
Title: Eignungsuntersuchung von Klassifikations- und Deep-Learning-Verfahren zurkamerabasierten Erkennung natürlicher Objekte
Other Titles: Examination of classification and deep learning procedures for the camera basedrecognition of natural objects.
Language: German
Authors: Drössler, Lars 
Keywords: Convolutional Neural Network; SIFT; SURF; ORB; AKAZE; Deep-Learning; Food; Computer Vision; Haar-like Features; Convolutional Neural Network; SIFT; SURF; ORB; AKAZE; Deep Learning; Food; Computer Vision; Haar-like features
Issue Date: 23-Jun-2017
Abstract: 
In dieser Arbeit wird eine Auswahl an Verfahren vorgestellt und auf ihre Eignung zur Klassifizierung natürlicher Objekte untersucht. Hierzu werden eine Reihe von Experimenten basierend auf publizierten Verfahren durchgeführt, in denen überprüft wird, wie gut die entsprechenden Verfahren natürliche Objekte in Fotos erkennen können. Als natürliche Objekte wurden für diese Testreihe verschiedene Gemüse- und Obstsorten gewählt. Diese Arbeit ist dazu ausgelegt, als Entscheidungshilfe für die Erstellung von Anwendungen zu dienen, in welchen es notwendig ist natürliche Objekte korrekt zu klassifizieren.

This paper presents a selection of methods and examines them for their suitability to recognize natural objects. For this purpose, a series of experiments based on published procedures are conducted. These experiments test how said procedures perform and if they are used to recognize natural objects in images. The natural objects used in these experiments are different kinds of vegetables and fruits. This paper is intended to serve as a decision-making aid for the implementation of an application which should, amongst other things, recognize natural objects.
URI: http://hdl.handle.net/20.500.12738/8053
Institute: Department Informatik 
Type: Thesis
Thesis type: Bachelor Thesis
Advisor: von Luck, Kai 
Referee: Meisel, Andreas 
Appears in Collections:Theses

Files in This Item:
File Description SizeFormat
Bachelorarbeit_Lars_Droessler.pdf1.48 MBAdobe PDFView/Open
Show full item record

Page view(s)

141
checked on Dec 25, 2024

Download(s)

93
checked on Dec 25, 2024

Google ScholarTM

Check

HAW Katalog

Check

Note about this record


Items in REPOSIT are protected by copyright, with all rights reserved, unless otherwise indicated.