Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Elektronik automot ive 17 Autonomes FAhren angewendet um die Auswirkungen auf ein damit trainiertes System zu unter suchen Bei dem Datensatz handelt es sich um Microsoft COCO Dies ist ein umfangreicher Datensatz für Objekt erkennung Bildsegmentierung und Kennzeichnung der oft für Machine Learning und Bildererkennungspro jekte verwendet wird Die so transformierten Bilder wurden anschließend verwendet um ein Ob jekterkennungssystem beispielhaft zu testen Dazu wurden Transforma tionen in verschiedenen Varianten und Stärken benutzt und die Genauigkeit des Systems bei der Objekterkennung in Abhängig keit von der Transformationsstärke mit seiner Genauigkeit bei der Erkennung unveränderter Bilder verglichen Bei dem System unter Test SUT handelt es sich um das neuronale Netzwerk Cen ternet Hourglass von Duan et al 2019 Dieses weist eine hohe Genauigkeit auf und eignet sich dadurch besonders gut für das Evaluieren der metamorphen Transformationen In Bild 5 ist ein Auszug der Ergebnisse des Experiments zu sehen Bei unver änderten Bildern ist die Genauigkeit mit 0 52 am höchsten Die Genauig keit nimmt mit zunehmender Trans formationsstärke unterschiedlich stark ab Es ist deutlich zu sehen dass das Literatur [1] Duan K Bai S Xie L Qi H Huang Qund Tian Q Centernet Keypoint triplets for object Detection arXiv v2 18 April 2019 http arxiv org abs 1904 08189 abgerufen am 27 April 2023 [2] Grochtmann Mund Grimm K 1993 Classification trees for partition testing Journal of software testing Verification and reliability Wiley online Library Juni 1993 s 63–82 https doi org 10 1002 stvr 4370030203 [3] Krajewski Runtersuchung von metamorphen Bildtransformationen zur erweiterung von trainingsund testdaten neuronaler netzwerke Abschlussarbeit zur erlangung des akademischen Grades master of science m sc Fachhochschule für technik und Wirtschaft Berlin 2022 [4] Lin T -Yel a l microsoft CoCo Common objects in Context arXiv v3 21 Februar 2015 http arxiv org abs 1405 0312 abgerufen am 27 April 2023 [5] Segura S Fraser G Sanchez A Bund Ruiz-Cortés A Asurvey on metamorphic testing Ieee transactions on software engineering 2106 h 9 s 805–824 https doi org 10 1109 tse 2016 2532875 abgerufen am 27 April 2023 roman Krajewski arbeitet als Technical Scientist bei ITPower Solutions Er studierte Internationale Medien und Informatik an der Fachhochschule für Technik und Wirtschaft Berlin Seit 2021 beschäftigt er sich mit der Erforschung von Computer Vision Systemen insbesondere mit Objekterkennungssystemen für autonome Züge roman krajewski@itpower de sebastian stritz arbeitet als Sales Marketing Manager bei ITPower Solutions Nach seiner Ausbildung zum IT-Systemkaufmann arbeitete er zunächst bei Sohnix im Vertrieb und betreute dort den Bereich Datacenter und Cloud 2018 wechselte er zu ITPower Solutions und ist dort zuständig für die Bereiche Vertrieb PR und Marketing sebastian stritz@itpower de Bild 5 Genauigkeit des Netzwerkes bei transformierten Bildern Bild ITPower Solutions Objekterkennungssystem am stärksten durch Effekte gerichteter Bewegungs unschärfe gestört wird Das Verfahren gibt also Hinweise worauf sich die Ent wicklungsarbeit konzentrieren muss In diesem Fall müssen Maßnahmen ergriffen werden um das Auftreten von Bewegungsunschärfe zu vermei den oder zu minimieren Metamorphe Testdaten finden Schwachstellen Ausgehend von der Frage ob sich metamorphe Bildtransformationen dazu eignen ein Objekterkennungs system zu testen wurden im darge stellten Forschungsansatz verschie dene Transformationen implementiert auf einen Datensatz angewandt und anschließend ein Beispielsystem mit den transformierten Bildern getestet Die Ergebnisse zeigen dass metamor phe Transformationen durchaus dazu geeignet sind Testdaten zu generieren um besondere Schwachstellen in einem Objekterkennungssystem aufzudecken und die Zuverlässigkeit von neuronalen Netzen zu erhöhen Interessant wäre in einem nächsten Schritt die Überlegung ob sich dieses Verfahren auch auf die Generierung von Trainingsdaten aus weiten lässt hs