Details
| Original language | German |
|---|---|
| Title of host publication | Dreiländertagung der DGPF, der OVG und der SGPF in Wien, Österreich |
| Subtitle of host publication | Publikationen der DGPF |
| Pages | 387-399 |
| Number of pages | 13 |
| Volume | 28 |
| Publication status | Published - 2019 |
| Event | Dreiländertagung OVG-DGPF-SGPF: Photogrammetrie-Fernerkundung-Geoinformation - Universität für Bodenkultur Wien, Wien, Austria Duration: 20 Feb 2019 → 22 Feb 2019 https://dgpf.de/con/jt2019.html |
Publication series
| Name | Publikationen der Deutschen Gesellschaft für Photogrammetrie, Fernerkundung und Geoinformation e.V. |
|---|---|
| Volume | 28 |
| ISSN (Print) | 0942-2870 |
Abstract
Datensatz relativ wenig Daten umfasst wird ein vortrainiertes Convolutional Neural Network verwendet und eine Augmentierung der Daten durchgeführt. Der Einfluss der Augmentierung sowie der entwickelten Verlustfunktion wird in einer Kreuzvalidierung evaluiert.
Cite this
- Standard
- Harvard
- Apa
- Vancouver
- BibTeX
- RIS
Dreiländertagung der DGPF, der OVG und der SGPF in Wien, Österreich: Publikationen der DGPF. Vol. 28 2019. p. 387-399 (Publikationen der Deutschen Gesellschaft für Photogrammetrie, Fernerkundung und Geoinformation e.V. ; Vol. 28).
Research output: Chapter in book/report/conference proceeding › Conference contribution › Research › peer review
}
TY - GEN
T1 - Deep Learning zur Analyse von Bildern von Seidenstoffen für Anwendungen im Kontext der Bewahrung des kulturellen Erbes
AU - Dorozynski, Mareike
AU - Wittich, Dennis
AU - Rottensteiner, Franz
N1 - Funding Information: The research leading to these results is in the frame of the “SILKNOW. Silk heritage in the Knowledge Society: from punched cards to big data, deep learning and visual/tangible simulations” project, which has received funding from the European Union’s Horizon 2020 research and innovation program under grant agreement No. 769504. All image data as well as the according descriptions were used in this paper’s experiments with the friendly permission of Garín 1820 (http://garin1820.com/ ).
PY - 2019
Y1 - 2019
N2 - Der vorliegende Beitrag befasst sich mit der Klassifikation von Bildern mittels Deep Learning. Exemplarisch wird hier die bildbasierte Prädiktion der Entstehungsepoche von Seidenstoffen und Fertigungsskizzen betrachtet. An diesem Beispiel wird die Problemstellung von nicht eindeutig definierten Klassen sowie uneindeutigen Trainingsbeispielen aufgegriffen und ein Lösungsansatz vorgestellt. Dieser basiert auf einer erweiterten Verlustfunktion, mit welcher die uneindeutigen Trainingsbeispiele während des Trainings genutzt werden können. Hierzu werden während der Trainingsphase übergreifende Klassen definiert. Die durchgeführten Experimente zeigen, dass hiermit die Genauigkeit der Klassifikation ohne die übergreifenden Klassen verbessert werden kann. Da der exemplarischeDatensatz relativ wenig Daten umfasst wird ein vortrainiertes Convolutional Neural Network verwendet und eine Augmentierung der Daten durchgeführt. Der Einfluss der Augmentierung sowie der entwickelten Verlustfunktion wird in einer Kreuzvalidierung evaluiert.
AB - Der vorliegende Beitrag befasst sich mit der Klassifikation von Bildern mittels Deep Learning. Exemplarisch wird hier die bildbasierte Prädiktion der Entstehungsepoche von Seidenstoffen und Fertigungsskizzen betrachtet. An diesem Beispiel wird die Problemstellung von nicht eindeutig definierten Klassen sowie uneindeutigen Trainingsbeispielen aufgegriffen und ein Lösungsansatz vorgestellt. Dieser basiert auf einer erweiterten Verlustfunktion, mit welcher die uneindeutigen Trainingsbeispiele während des Trainings genutzt werden können. Hierzu werden während der Trainingsphase übergreifende Klassen definiert. Die durchgeführten Experimente zeigen, dass hiermit die Genauigkeit der Klassifikation ohne die übergreifenden Klassen verbessert werden kann. Da der exemplarischeDatensatz relativ wenig Daten umfasst wird ein vortrainiertes Convolutional Neural Network verwendet und eine Augmentierung der Daten durchgeführt. Der Einfluss der Augmentierung sowie der entwickelten Verlustfunktion wird in einer Kreuzvalidierung evaluiert.
M3 - Aufsatz in Konferenzband
VL - 28
T3 - Publikationen der Deutschen Gesellschaft für Photogrammetrie, Fernerkundung und Geoinformation e.V.
SP - 387
EP - 399
BT - Dreiländertagung der DGPF, der OVG und der SGPF in Wien, Österreich
T2 - Dreiländertagung OVG-DGPF-SGPF
Y2 - 20 February 2019 through 22 February 2019
ER -