opus htw (Hochschule für Technik und Wirtschaft Berlin)
Not a member yet
1647 research outputs found
Sort by
Konservierung und Restaurierung eines kaiserzeitlichen Bimetallkessels aus dem Gräberfeld Apensen
No full textIn der Annahme, dass hartelastische Thermoplaste zu nachgiebig seien, um die Eigenlast dünnwandiger Metallgefäße zu tragen, sind solche Objekte gemeinhin mit vernetzenden und folglich irreversiblen Epoxidharzen ergänzt worden. In dem Bestreben die Belastbarkeit gegossener Folien aus Acrylharz zu erhöhen, ist Glasfasergewebe in diese eingearbeitet worden. Um das Tragvermögen eines solchen Faserverbundwerkstoffs im Vergleich zu gewöhnlichen Polymerfolien bewerten zu können, ist ein Biegeversuch durchgeführt worden. Es stellte sich heraus, dass z. B. die instabile Substanz eines Bronzekessels mit eisernem Mün-dungsring gesichert werden kann, indem man diesen mit faserverstärkten Folien ergänzt. Diese Methode soll als Alternative zur Verwendung von Epoxidharzen vorgeschlagen werden.Assuming that hard-elastic thermoplastics are too flexible to bear the dead load of thin-walled metal vessels, such objects have commonly been reinforced with crosslinking and thus irreversible epoxy resins. In an effort to increase the load-bearing capacity of cast sheets of acrylic resins, fiberglass fabric has been in-corporated into them. In order to evaluate the load-bearing capacity of such a fiber composite material in comparison to conventional polymer films, a bending test was carried out. It turned out that, for example, the unstable substance of a bronze cauldron with an iron rim can be secured by backing it with fiber-reinforced foils. This method is to be proposed as an alternative to the use of irreversible epoxy resins
Incentives to Support a Better Waste Management System in the Maldives - A Case Study of the Tourism Resort Sector
No full textThe increased pressure from inadequate solid waste management on the environment of small island developing states suggests the importance to find socially acceptable resource management solutions. In the Maldives, the tourism sector plays an important role as it contributes significantly to the generation of waste, but also fosters economic development. To show how the tourism sector can be encouraged to adopt pro-environmental behavior, this study examines existing waste management problems and explains why they persist despite measures taken in the country. The core of the study consists of discussing incentives that encourage tourism resorts to improve their own solid waste management and support the nationwide waste management infrastructure. The research approach adopted includes a literature review to embed the topic of waste management into the common pool resource discussion and to investigate and cluster incentive structures leading to pro-environmental behavior. Based on the pertinent literature, 19 semi-structured in-depth interviews were conducted with different tourism resorts in the Maldives to obtain primary qualitative data to answer the research questions. The results of this study suggest that external incentives, primarily social/psychological incentives, followed by economic incentives and complemented by regulatory measures, lead to an appropriate strategy to steer the tourism sector towards more sustainable waste management. The previously mentioned points can be supported by company-wide and personal standards as internal incentives. Main findings include that policy and action recommendations based on incentives can be developed most effectively including the perceptions and the needs of stakeholders. The inclusion of individual actors’ perceptions will most effectively foster the socially more optimal handling of (natural) resources. More advanced social experiments and trial phases of the outlined priority policy implementation are recommended
Identifikation von Lebensmitteln in Fotos von Mahlzeiten - Hybride Ansätze mit Bild- und Rezeptdaten
No full textDie automatisierte Prognose von Zutaten einer Speise ist trotz zahlreicher Erfolge in Deep Learning noch immer ein schwieriges Problem. Daher soll in dieser Abschlussarbeit in Zusammenarbeit mit dem Bundesinstitut für Risikobewertung untersucht werden, wie das automatisierte Erkennen von Zutaten in Fotos von Speisen verbessert werden kann. Denn mit einer genauen Prognose der Zutaten kann das Bundesinstitut für Risikobewertung in einer eigenen, weiteren Abschätzung bestimmen, wieviele Schadstoffe in einer Speise enthalten sind.
In der hier vorgestellten Arbeit werden daher verschiedene Ansätze zur automatisierten Bestimmung der Zutaten einer Speise experimentell untersucht, wie etwa Deep Learning Modelle mit Single- und Multi-Task-Architekturen, das Ausnutzen von Häufigkeitsverteilungen in Rezeptdaten zur Prognoseverbesserung oder dieWirkung verschieden strukturierter Datenmengen auf das Gesamtergebnis. Ziel ist, eine möglichst genaue Prognose der Inhaltsstoffe eines Gerichtes zu erreichen.
Kapitel 1 beschreibt die theoretischen Grundlagen und die geschichtliche Entwicklung hin zum Deep Learning und grenzt verwendete Fachbegriffe gegeneinander ab.
Kapitel 2 fasst die Ergebnisse einer Literaturrecherche zusammen. Es werden Arbeiten zu Single-Task-, Multi-Task- und multimodalen Ansätzen beschrieben und deren Ergebnisse dargestellt.
In Kapitel 3 werden eigene Experimente und dabei verwendete Datenmengen beschrieben sowie die Ergebnisse übersichtlich zusammengefasst. Eine Zusammenfassung der Arbeit findet sich in Kapitel 4. Darin heißt es, dass die hier durchgeführten Experimente die Schwierigkeit des Problems der automatisierten Erkennung von Zutaten bestätigen. Ein vielversprechender Ansatz zur Lösung des Problems konnte nicht identifiziert werden
Entwicklung eines hybriden Indoor-Outdoor-Lokalisierungssystems auf Basis der ARCore Geospatial API und Cloud Anchor
No full textDie präzise globale Lokalisierung von mobilen Endgeräten in Innenräumen ist eine Aufgabe, die noch nicht vollständig gelöst ist. Für die relative Ortung in Relation zu bestimmten Referenzpositionen gibt es bereits einige Lösungen, allerdings können die geografischen Koordinaten innerhalb von Gebäuden bisher nicht genau bestimmt werden.
In dieser Arbeit wurde eine Android-Anwendung entwickelt, die genaue globale Ortung in Gebäuden ermöglicht. Dafür muss mit der Anwendung zunächst ein Gebäudeteil abgelaufen und dabei ausgemappt werden, welcher dann folgenden Nutzern über einen Server zur Verfügung steht.
Augmented Reality und die ARCore Cloud Anchor API werden zur genauen Positionierung innerhalb eines Gebäudeplanes verwendet, während mit der ARCore Geospatial API eine globale Referenz zu einem erstellten Gebäudeplan hinzugefügt wird, anhand dessen für jeden Punkt einer Karte die genauen geografischen Koordinaten berechnet werden können.
Die Evaluation der implementierten Anwendung und der zugrundeliegenden Technologien zeigt sehr vielversprechende Ergebnisse im Bereich der Genauigkeit und Zuverlässigkeit. Dabei liegen die größten Limitationen bei dem potenziellen relativen Drift des SLAM-Trackings beim Erstellen eines Gebäudeplanes sowie bei möglichen auftretenden Ungenauigkeiten beim Lokalisieren anhand der Cloud Anchor.Precise global localization of mobile devices inside indoor environments is a task that
has not been fully solved yet. While localization in relation to known reference points
already has a number of viable solutions, indoor positioning with global coordinates
is still very hard to accurately obtain.
In this thesis, an android application is built, that enables a user to accurately
locate himself inside any indoor environment. To achieve this, the desired area has
to first be mapped out with the android app and is then available to all future users.
Augmented Reality and the ARCore Cloud Anchor API are used to find a known position
within a created map, while the ARCore Geospatial API is used to add a global
reference with coordinates to a created map, from which the global coordinates can
be calculated for any point of the map.
The analysis of the implemented application and its underlying technologies shows
very promising results in terms of both accuracy and reliability. The biggest limitations
are the possible drift of the relative SLAM-Tracking while mapping an environment,
as well as possible inaccuracies of the Cloud Anchor APIs visual positioning
Photovoltaik Inselanlage zur Stromversorgung eines abgelegenen Dorfes in Ost Nusa Tenggara Provinz, Indonesien
No full textAls der größte Inselstaat der Welt, die aus ca. 17.500 Inseln besteht, stellt die Elektrifizierung einer abgelegenen Insel in Indonesien eine Herausförderung dar. Wegen der strategischen geographischen Lage des Landes, die sich nah am Äquator befindet, wäre eine photovoltaische Stromversorgung eine mögliche Lösung für die abgelegenen Inseln. Das Ziel dieser Arbeit ist es, eine photovoltaische Inselanlage für die Stromversorgung des abgelegenen Dorfes mithilfe von Fallstudien sowie Simulationen durch das Programm Homer Pro zu dimensionieren, das bisher noch keinen Zugang zum Strom hat.
Die Arbeit fokussiert sich auf den Standort in der Ost Nusa Tenggara Provinz in Indonesien, jedoch die Ergebnisse dieser Arbeit könnte eventuell für andere Standorte mit ähnlichen Gegebenheiten als eine Referenz dienen
Constraint-based bare-hand immersive 3D modelling
No full textThree-dimensional user interfaces that are controlled by the user’s bare hands are mostly based on purely gesture-based interaction techniques. However, these interfaces are often slow and error prone. Especially in the field of immersive 3D modelling, gestures are unsuitable because they complicate and delay the modelling process. To address these problems, we present a new gesture-free 3D modelling technique called “3D touch-and-drag”, which allows users to select vertices by approaching them and to terminate operations by moving the 3D cursor (e.g. the forefinger) away from the constraint geometry (e.g. a straight line or a plane). Our proposed technique makes it possible to transfer the existing 3D modelling concepts (“3D widgets”) to virtual environments, as shown by an experimental 3D modelling tool. The gesture-free bare-hand interaction also improves the possibility of tactile feedback during 3D manipulation. We compared different modelling techniques for controlling the 3D widgets. We found that controller-based techniques are significantly faster than finger-tracking-based techniques. The 3D touch-and-drag technique is about as fast as gesture-based interactions. Mouse interaction in a two-dimensional GUI is only slightly faster than the 3D modelling techniques. Since our proposed technique has proven to be at least equivalent to gesture-based interaction techniques in terms of accuracy and efficiency, its further development using more accurate tracking techniques seems promising to exploit the advantages of hands-free and gesture-free interaction for immersive 3D modelling
Konzeption und Entwicklung eines multimodalen interaktiven Lerndashboards zu einem ausgewählten Thema der angewandten Statistik
No full textDigitale Lehrangebote bieten vielfältige Möglichkeiten für die Qualitätssteigerung der Lehre durch ihre flexible und dynamische Gestaltung. Dynamische Elemente von E-Learning Angeboten tragen einem besseren Verständnis vom vermittelnden Material bei und fördern die Motivation und Aufmerksamkeit der Studierenden. Gleichzeitig stellen die E-Learning Angebote eine große Herausforderung aus der Sicht der Didaktik und Entwicklung dar. Sie erfordern ein hohes Niveau vom fachlichen und didaktischen Wissen sowie das Know-how für die den Anforderungen entsprechende Entwicklung von digitalen Produkten.
Dieses Schreiben beschäftigt sich damit, die Anforderungen an digitale Lernangebote zu sammeln und zu analysieren und darauffolgend ein multimodales interaktives Lerndashboard als ein Minimum Value Produkt zu konzipieren, zu implementieren und zu testen. Thematisch fällt das zu entwickelnde Produkt in den Bereich der angewandten Statistik und wird dem Thema der bedingten relativen Häufigkeiten gewidmet. Es wird erhofft, eine Plattform zu erstellen, die den formulierten Anforderungen entspricht und ein allgemein positives Feedback von den Testpersonen erhält
Comparing Vision Transformers to Traditional Deep Learning Object Classification Architectures for Automotive Make and Model Recognition
No full textThe Transformer architecture has recently taken over the domain of natural language processing and is now quickly gaining popularity in computer vision, achieving state-of-the-art results on image classification benchmarks like ImageNet. Vision Transformers (ViT) work by dividing an image into fixed-size patches that can be processed as a sequence of tokens. Self-attention is used to compute the importance of these tokens in relation to each other, allowing the model to attend to different regions of the image and model long-range dependencies. This architecture has proven to work well on large datasets and shows better scaling performance than comparable convolutional neural networks (CNN). However, its performance on medium-sized datasets remains unclear.
This thesis set out to study the performance potential and limitations of the Vision Transformer architecture compared to the dominant convolutional architecture on a medium-sized dataset for vehicle model classification. For reference, an Inception ResNet v2 model provides a baseline for accuracy on this task.
After a review of the basic concepts and building blocks of both architectures, a selection of promising, improved architectures is assembled, with each tackling one of the most prominent weaknesses of the Transformer: DeiT solves the reliance of ViT on large datasets for pertaining by introducing a distillation strategy that can utilise pre-trained CNNs to inject some inductive biases that Transformers are naturally lacking. Next, Swin introduces an approach using shifted windows and a hierarchical design, inspired by convolutional networks, solving the issue of quadratic scaling with input resolution. Finally, FlexiViT shows how fixed-sized patch embeddings can be made dynamic, making ViTs easy to adapt to specific computational budgets by allowing dynamic patch sizes as inputs. A similar selection was made for top-performing convolutional networks as well as hybrid networks, which have been evaluated on a dataset of 42.000 Mercedes-Benz vehicle images.
The evaluation results show very competitive results for nearly all tested architectures, with the Swin-T/8 v2 network achieving the highest accuracy with 96,3%, closely followed by ConvNeXt-Base, a convolutional model, with an accuracy of 95,6%. Both models are able to outperform the previous Inception ResNet v2 baseline, with the largest improvements seen in the representation of minority classes in this imbalanced dataset, manifesting in an 8,6% improvement in the F1-score over the baseline model (81,6% to 90,2%). In terms of inference speed, convolutional models are faster (48,1ms for Swin-T/8 v2 versus 29,1ms for ConvNeXt-Base), but trade-offs can be made to bring inference times down, resulting in only slightly reduced accuracy. Training times are also generally slower but more sample-efficient.
In conclusion, Transformers have demonstrated competitive performance by offering slightly superior accuracy at the cost of slower image throughput and slower training times. Both the best-performing CNN and Transformer easily surpass the previous baseline model, especially for minority classes. Since the real-world performance of these models has proven to be near-identical, a final decision would slightly favour the convolutional model for its faster inference speed.Die Transformer-Architektur hat in den letzten Jahren das Gebiet des Natural Language Processing erobert und gewinnt nun auch im Bereich des Maschinellen Sehens schnell an Bedeutung, indem sie stateof-the-art Ergebnisse in Bildklassifikations-Benchmarks wie ImageNet erzielt. Vision Transformers (ViT) teilen Bilder in Patches mit fester Größe auf, die als Sequenz von Tokens verarbeitet werden können.
Mithilfe von Self-Attention kann das Modell lernen, sich auf bestimmte Bildbereiche zu fokussieren und globale Abhängigkeiten zu modellieren.
Die Transformer-Architektur konnte sich bereits für große Datensätzen bewähren und zeigt bessere Skalierungseigenschaften als vergleichbare Convolutional Neural Networks (CNNs). Die Performance auf mittelgroßen Datensätzen ist jedoch unklar.
Diese Thesis zielt darauf ab, das Leistungspotenzial und die Grenzen der Vision Transformer-Architektur im Vergleich zur dominierenden Convolutional-Architektur auf einem mittelgroßen Datensatz für die Fahrzeugmodellklassifikation zu untersuchen. Als Referenz dient ein Inception ResNet v2-Model.
Nach einer Einführung der grundlegenden Konzepte und Bausteine beider Architekturen wird eine Auswahl vielversprechender, verbesserter Netzwerke vorgestellt, wobei jedes eine der prominentesten Schwächen des Transformers aufgreift: DeiT löst die Abhängigkeit von ViT von großen Datensätzen für die Generalisierung durch Einführung eines Distillationsverfahrens, das ein vortrainiertes CNN verwendet, um induktive Neigungen (inductive biases) beizufügen, die dem Transformer traditionell fehlen. Als nächstes führt Swin einen Ansatz ein, der verschobene Fenster und eine hierarchische, von ConvNets inspirierte, Architektur verwendet, um das Problem der quadratischen Skalierung mit der Bildauflösung zu beheben.
Zum Schluss zeigt FlexiViT, wie feste Patch-Embeddings dynamisch gestaltet werden können, wodurch ViTs einfacher auf bestimmte Rechenbudgets angepasst werden können. Eine ähnliche Auswahl wurde auch für die besten Convolutional Neural Networks sowie Hybrid-Netzwerke getroffen, die anschließend auf einem Datensatz von 42.000 Mercedes-Benz-Fahrzeugbildern ausgewertet wurden.
Die Ergebnisse zeigen, dass fast alle getesteten Architekturen sehr konkurrenzfähige Ergebnisse erzielen können. Swin-T/8 v2 erreicht die höchste Genauigkeit mit 96,3%, gefolgt von ConvNeXt-Base, einem CNN, mit einer Genauigkeit von 95,6%.
Beide Modelle sind in der Lage, das frühere Inception ResNet v2-Baseline-Modell zu übertreffen, wobei die größten Verbesserungen in der Abbildung von Minderheitsklassen zu sehen sind, was sich in einer Verbesserung des F1-Scores gegenüber dem Basismodell um 8,6% (von 81,6% auf 90,2%) manifestiert.
In Bezug auf die Inferenzgeschwindigkeit zeigen sich CNNs schneller (48,1ms für Swin-T/8 v2 gegenüber 29,1ms für ConvNeXt-Base), wobei es möglich ist, Kompromisse in der Genauigkeit einzugehen, um schnellere Inferenzzeiten zu ermöglichen.
Die Trainingszeiten sind ebenfalls im Allgemeinen etwas langsamer, aber dateneffizienter.
Zusammenfassend konnte gezeigt werden, dass Transformer eine konkurrenzfähige Leistung gegenüber Convolutional Neural Networks erreichen können, wobei sie eine geringfügig höhere Genauigkeit bei langsamerem Datendurchsatz und langsameren Trainingszeiten bieten. Sowohl das am besten abschneidende CNN als auch beste Transformer Modell übertreffen das frühere Baseline-Modell in nahezu allen Belangen, insbesondere in der Genauigkeit der Vorhersage von Minderheitsklassen.
Da die Genauigkeit beider Modelle unter realen Bedingungen praktisch identisch ist, würde dank der etwas schnelleren Inferenzzeit die finale Entscheidung auf das Convolutional Neural Network fallen
Entwicklung und Evaluation von Methoden zur Absenkung der Nutzungsschwelle von Kommandozeilen-Interfaces
No full textDiese Arbeit beschäftigt sich mit der Verbesserung von Anwendungen mit Kommandozeilen-Inferfaces, kurz CLI Apps. Zur Optimierung deren Usability wurden die zwei zugrunde liegenden Probleme aufgezeigt. Es wurden anwendbare Methoden erarbeitet, welche diese Probleme mitigieren sollen.
Die Umsetzung dieser Methoden wurde an einer Beispielanwendung durchgeführt, um Details und Komplikationen in der Implementierung aufzuzeigen. Darüber hinaus wurden Performance und Attraktivität verglichen, indem die Kommandozeilen Anwendung einer grafischen gegenüber gestellt wurde. Im Vergleich bevorzugten die sechs Teilnehmer die vergleichbare Performance als auch die bessere Nutzbarkeit des Kommandozeilen-Interfaces
Electrospun Magnetic Nanofiber Mats for Magnetic Hyperthermia in Cancer Treatment Applications—Technology, Mechanism, and Materials
No full textThe number of cancer patients is rapidly increasing worldwide. Among the leading causes of human death, cancer can be regarded as one of the major threats to humans. Although many new cancer treatment procedures such as chemotherapy, radiotherapy, and surgical methods are nowadays being developed and used for testing purposes, results show limited efficiency and high toxicity, even if they have the potential to damage cancer cells in the process. In contrast, magnetic hyperthermia is a field that originated from the use of magnetic nanomaterials, which, due to their magnetic properties and other characteristics, are used in many clinical trials as one of the solutions for cancer treatment. Magnetic nanomaterials can increase the temperature of nanoparticles located in tumor tissue by applying an alternating magnetic field. A very simple, inexpensive, and environmentally friendly method is the fabrication of various types of functional nanostructures by adding magnetic additives to the spinning solution in the electrospinning process, which can overcome the limitations of this challenging treatment process. Here, we review recently developed electrospun magnetic nanofiber mats and magnetic nanomaterials that support magnetic hyperthermia therapy, targeted drug delivery, diagnostic and therapeutic tools, and techniques for cancer treatment