Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB

Masterarbeit: Human Pose-based Anomaly Detection [VID]

Das Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB ist eines der größten Institute für angewandte Forschung auf dem Gebiet der Bildgewinnung und Bildauswertung in Europa. Die Abteilung Videoauswertesysteme (VID) beschäftigt sich mit der automatischen Auswertung von Signalen bewegter bildgebender Sensorik in komplexen, ggf. nichtkooperativen Szenarien. Diese Sensorik wird beispielsweise im Aufklärungs- und Überwachungsbereich als integrierte Komponente in fliegenden, weltraumgestützten oder mobilen landgestützten Plattformen verwendet. VID entwickelt und integriert hierfür Bildauswertealgorithmen für autonome oder interaktive Systeme.

 Crowd-level Pose Estimation for Anomaly Detection

Beschreibung
Großveranstaltungen stellen stets ein hohes Sicherheitsrisiko für Besucher und Unbeteiligte dar. Aus diesem Grund sind Sicherheitskräfte und Polizei darauf angewiesen die Veranstaltung sowohl durch Bodenpersonal, als auch über Videokameras im Blick zu behalten. Die große Menge an Videodaten die dabei anfällt, stellt die Einsatzkräfte jedoch vor extrem große Herausforderungen. Deshalb werden Systeme benötigt, die das Personal dabei unterstützen frühzeitig Risiken zu identifizieren, indem abnormales Verhalten von Personen in aufgezeichneten den Videoströmen erkannt wird.

Aufgabenstellung
Im Rahmen der Masterarbeit soll die Literatur zu posen-basierten Verfahren für das Erkennen abnormaler Situationen erarbeitet werden. Weiterhin soll auf Basis der Ergebnisse der Recherche, sowie des nachfolgenden Papers ein eigenes Verfahren entwickelt oder erweitert werden, welches es ermöglicht abnormale Situationen zu erkennen. Fokus soll hierbei auf der Verwendung von Poseninformationen unter Verwendung zeitlich-prädiktiver Methoden liegen.

Einstiegspaper: https://arxiv.org/pdf/1901.03407.pdf

Voraussetzungen

  • Studienfach: Informatik, Mathematik, Elektrotechnik, Angewandte Physik oder vergleichbar
  • Gutes Verständnis für die (theoretischen) Grundlagen von Deep Learning
  • Gute Programmierkenntnisse (idealerweise Python)
  • Erfahrung mit den Deep Learning Frameworks PyTorch bzw. Tensorflow vorteilhaft
  • Fähigkeit zum selbstständigen Arbeiten
  • Bereitschaft, sich in neue Themengebiete einzuarbeiten und Freude am Einbringen eigener Ideen

Inspiration für weitere Themen: https://thomasgolda.github.io/students/