Instance Segmentation für Nachtvideos (2 Themen / 2 Projektgruppenteilnehmende)

Um Tierpopulationen im Wildlife Monitoring zu überwachen, werden Kamerafallen eingesetzt, die sowohl Videos bei Tag als auch bei Nacht erstellen. Da für Nachtaufnahmen normalerweise nur Infrarot- bzw. Grauwertaufnahmen zur Verfügung stehen, ist die Detektion von Tieren in diesen Fällen oftmals schwieriger als bei Tag.
In dieser Projektgruppe soll untersucht werden, wie die exakten Konturen von Tieren bei Nacht mit Hilfe der sogenannten Instance Segmentation ermittelt werden können. Die Trainingsdaten stammen dabei aus einem aktuellen Forschungsprojekt. Die Implementierung wird mit Python und PyTorch durchgeführt. Neben der Implementierung des jeweils ausgewählten Instance Segmentation Verfahrens wird die Annotation von Datensätzen betrachtet sowie ein grundlegendes Instance Segmentation Verfahren implementiert, das als Vergleich für das ausgewählte Verfahren dienen wird. Außerdem soll der jeweils zugrundeliegende Ansatz möglichst modifiziert werden, um bessere Ergebnisse im Kontext der Detektion in den Nachtaufnahmen zu erzielen.
Für die Projektgruppe stehen folgende Instance Segmentation Ansätze zur Auswahl:

1. Wang, J., Sun, K., Cheng, T., Jiang, B., Deng, C., Zhao, Y. & Xiao, B. "Deep high-resolution representation learning for visual recognition" 2020.
2. Gu, Zhangxuan, et al. "DiffusionInst: Diffusion Model for Instance Segmentation." 2022.

Vergleichende Auswertung von Thermaler Zeit und Kalenderzeit für die Ernteertragsprognose basierend auf Satellitenbildern

Satellitenbilder eignen sich hervorragend zur Prädiktion von Ernteerträgen von verschiedenen Nutzpflanzen weltweit 1. Die Bilder sind kostenlos und weltweit erhältlich und können somit einen Beitrag leisten, Machine Learning Barrierefrei zu gestalten. Unklar ist, wie die Zeitreihe von Daten am besten verarbeitet wird. Der Zeitraum und die Granularität in der Spektrale Reflektionen und Temperaturen über den Feldern erfasst werden müssen, werden meistens als Hyperparameter von Menschen festgelegt. Eine automatisierte Lösung kann durch Thermale Zeiterfassung erfolgen 2. Grundlage ist, dass sich verschiedene Nutzpflanzen nur an Tagen mit einer gewissen Mindesttemperatur konstant weiterentwickeln. Im Zuge dieser Projektarbeit sollen beide Ansätze miteinander vergleichend ausgewertet werden. Es kann auf bestehendem Python Code zur Verarbeitung der Satellitenbilder und zum trainieren von Ernteertragsprognosen via Extreme Gradient Boosting (XGBoost) 3 aufgebaut werden. Generelle Python Kenntnisse sind also von Vorteil.

XGBoost vs. LightGBM für die Prognose von Zuckergehalt (Oechsle Wert) im Wein

Gradient Boosting ist eines der führenden Verfahren zum Lösen von vielfältigen Regressionsproblemen. Durch das schrittweise Hinzufügen von neuen Regressionsbäumen wird der Prädiktionsfehler auf den Testdaten immer weiter minimiert. Die beiden meist genutzten Implementationen von Gradient Boosting sind XGBoost und LightGBM. Im Zuge dieser Projektgruppe soll das Problem der Prognose von Zuckergehalt im Wein auf Basis von den klimatischen Bedingungen über das Jahr mit beiden Ansätzen gelöst werden. Dafür müssen alle notwendigen Schritte zum Lösen eines Machine Learning Problems ausgeführt werden. Dies beinhaltet Data Exploration, Feature Engineering, Hyperparametertuning und das Trainieren und Testen der Modelle. Am Ende soll eine vergleichende Analyse der beiden Ansätze stehen, in der stärken und schwächen gegenüber gestellt werden. Python Kenntnisse und die Bereitschaft sich mit den theoretischen Grundlagen der Verfahren zu beschäftigen sind notwendig.