English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Infolge von sinkenden Hardwarepreisen und der zunehmenden Automatisierung in Produktionsprozessen wird maschinelles Lernen für industrielle Sichtprüfungsaufgaben immer interessanter. In diesem Beitrag wird die Detektierbarkeit von Objekten in Bildern mit verschiedenen Auflösungen mittels eines neuronalen Netzes untersucht. Die verwendeten Datensätze beinhalten die Erkennung von Defekten in Leiterplatten, Ziffern von Hausnummern und Verkehrsschildern. Es wird gezeigt, dass die Information über das Vorhandensein eines Objekts bis zu einer bestimmten Schwelle beim Heruntertasten nicht verschwindet. Dadurch kann die Auflösung des Eingabebildes des Detektors reduziert werden, ohne hohe Verluste bei der Detektion hinnehmen zu müssen, was den Ressourcenbedarf der Inferenz reduziert. Dies erleichtert die Implementierung des Detektors auf kleineren Geräten wie bspw. einem FPGA erheblich. Für die untersuchten Datensätze ist so eine Reduktion der Seitenlängen der Eingangsbilder um bis zu50    %   50\hspace{0.1667em}\%möglich und wird nur durch Bilder, die relativ kleine Objekte enthalten, begrenzt.

Über die Detektierbarkeit von Objekten in Bildern mittels quantisierter neuronaler Netze