Personal details
Title | Vergleich der Performance verschiedener KI Modelle zur Erkennung von Radfahrenden im Straßenverkehr |
Description | Damit mehr Menschen häufiger das Fahrrad nutzen, ist die Erhöhung der Verkehrssicherheit ein zentraler Faktor. Für die Analyse von verkehrssicherheitsrelevanten Punkten in der Fahrradinfrastruktur stehen bereits einige Datenquellen zur Verfügung. Allerdings können Radfahrende bislang nicht zuverlässig im Straßenverkehr erkannt werden. Diese Forschungslücke könnte mittels Ansätzen aus dem Bereich des Maschinellen Lernens bearbeitet werden.
|
Home institution | Department of Computing Science |
Associated institutions |
|
Type of work | practical / application-focused |
Type of thesis | Bachelor's |
Author | Johannes Schering |
Status | available |
Problem statement | Zur Detektion von Personen stehen bereits viele vor-trainierte KI Modelle zur Verfügung (z.B. Yolo-Varianten von Ultralytics). Damit diese für den speziellen Anwendungsfall des Forschungsprojektes eingesetzt werden können, sind Anpassungen notwendig. Dabei ist vorab unklar, welche der Modelle die besten Ergebnisse hinsichtlich Genauigkeit und Korrektheit bei der Erkennung von Radfahrenden liefern könnten.
Im Rahmen der Arbeit erfolgt eine systematische Recherche geeigneter Object Detection Modelle, die auf den Usecase der Radfahrendendetektion anwendbar sind. Die Modelle werden nachbearbeitet und auf die zur Verfügung stehenden Daten des Praxispartners iotec GmbH angewendet. Dazu muss im Rahmen der BA Arbeit ein Datensatz annotiert werden, der zum Training und Test der Modelle herangezogen werden kann. Um das am besten geeignete Modell auszuwählen, werden die Ergebnisse anhand zentraler Metriken (z.B. Precision, Recall, Mean Average Precision) hinsichtlich Genauigkeit und Korrektheit verglichen.
Die Arbeit ist eingebettet in das Forschungsprojekt BikeDetect, welches auf die Entwicklung eines neuen Verfahrens zur Messung von Abständen zwischen dem motorisierten Verkehr und Radfahrenden abzielt. Die VLBA konzipiert dabei ein Datenmanagementkonzept, das u.a. heterogene Datenquellen integriert sowie eine Fusionierung der Ergebnisse der KI Detektionen mit Abstandsmessungen ermöglicht, um Wegstellen mit geringen Überholabständen identifizieren zu können. Für die Implementierung und Entwicklung, insbesondere das Training der Modelle, steht das VLBA DataLab zur Verfügung. |
Requirement | |
Created | 16/10/24 |