Scholarlink

Die Qualitätsprüfung von Umgebungsbeleuchtung in Fahrzeugen kann von der subjektiven Wahrnehmung des Prüfers hinsichtlich der Lichthomogenität beeinflusst werden. Infolgedessen entspricht auch die Klassifizierung von Trainingsdaten diesem subjektiven Eindruck. In diesem Beitrag wird gezeigt, wie Bilder von Lichtleitern von Fahrzeugumgebungsbeleuchtung verwendet werden, um Deep Belief Networks (DBN) unter Verwendung der Lernregeln „Backpropagation“ (BP) und „Enforcing Rule Supervised“ (ERS) zu trainieren. Darüber hinaus wird die Auswirkung der kontrastiven Divergenz (contrastive divergences) des Vortrainings auf die Robustheit und Genauigkeit der trainierten Netze sowie der Effekt eines cue validitiy factors (cvf) auf die Trainingsbilder analysiert. Die Ergebnisse sind vielversprechend und legen eine Entscheidungsunterstützung durch DBN im Produktionsprozess nahe, um den Einfluss der Subjektivität menschlicher Prüfer zu minimieren.

错误：搜索内容不能为空，请输入英文关键词
错误：关键词超出字数限制，请精简
高级检索

Training von ambienten Fahrzeugbeleuchtungen aus subjektiv bewerteten Bildern mit Deep Belief Networks unter Verwendung der Enforcing-Rule Supervised und eines cue validity factors

  • 章节

  • 发表日期：

    2025年

查看全文
  • Gregor Braun,
  • Michel Brokamp,
  • Christina Klüver

摘要

Die Qualitätsprüfung von Umgebungsbeleuchtung in Fahrzeugen kann von der subjektiven Wahrnehmung des Prüfers hinsichtlich der Lichthomogenität beeinflusst werden. Infolgedessen entspricht auch die Klassifizierung von Trainingsdaten diesem subjektiven Eindruck. In diesem Beitrag wird gezeigt, wie Bilder von Lichtleitern von Fahrzeugumgebungsbeleuchtung verwendet werden, um Deep Belief Networks (DBN) unter Verwendung der Lernregeln „Backpropagation“ (BP) und „Enforcing Rule Supervised“ (ERS) zu trainieren. Darüber hinaus wird die Auswirkung der kontrastiven Divergenz (contrastive divergences) des Vortrainings auf die Robustheit und Genauigkeit der trainierten Netze sowie der Effekt eines cue validitiy factors (cvf) auf die Trainingsbilder analysiert. Die Ergebnisse sind vielversprechend und legen eine Entscheidungsunterstützung durch DBN im Produktionsprozess nahe, um den Einfluss der Subjektivität menschlicher Prüfer zu minimieren.