save another day

Prewrite/Kapiteleinleitungen - Stilreferenz.md

@@ -0,0 +1,110 @@
+# Kapiteleinleitungen der CHI-Vorarbeiten - Stilreferenz
+
+Analyse der Kapiteleinleitungen aus drei Masterarbeiten am CHI, die als Stilreferenz für die eigene Arbeit dienen.
+
+---
+
+## Beobachtete Muster
+
+- **Kap. 1 (Einleitung):** Alle drei Arbeiten haben **keine** Kapiteleinleitung, sondern gehen direkt in Abschnitt 1.1
+- **Kap. 2-7:** Jedes Kapitel hat einen Einleitungsabsatz zwischen Kapitelüberschrift und erstem Abschnitt
+- **Struktur:** Fast immer: (1) Kurzer Satz zum Zweck/Thema des Kapitels, (2) Aufzählung der Abschnitte in Reihenfolge mit je einem Halbsatz
+- **Länge:** Typisch 1 langer Absatz (5-10 Sätze)
+- **Stil:** "In diesem Kapitel wird...", "Zunächst wird in Abschnitt X.1 ..., anschließend ... in Abschnitt X.2 ..., den Abschluss bildet ..."
+- **Ausnahmen:** Ergebnis-/Fazitkapitel haben manchmal kürzere, inhaltlichere Einleitungen statt Strukturvorschau
+
+### Muster-Vorlage
+
+```
+[1 Satz: Was dieses Kapitel leistet / worum es geht]
+Zunächst wird in Abschnitt X.1 [Thema]. 
+Anschließend beschreibt Abschnitt X.2 [Thema]. 
+Abschnitt X.3 [Thema]. 
+Den Abschluss bildet Abschnitt X.4 mit [Thema].
+```
+
+---
+
+## Kaminski (2025) - Bestimmung des Pupillendurchmessers
+
+### Kap. 1: Einleitung
+Keine Kapiteleinleitung. Geht direkt in 1.1.
+
+### Kap. 2: Grundlagen
+> In diesem Kapitel werden die theoretischen und methodischen Grundlagen vorgestellt, die für die Erstellung des Workflows in dieser Arbeit wesentlich sind. Zunächst wird auf anatomische und optische Aspekte des Auges sowie auf die Reaktion der Pupille unter verschiedenen Licht- und Blickwinkelsituationen eingegangen (Abschnitt 2.1). Anschließend folgt ein Überblick über klassische und KI-basierte Video-Eye-Tracking-Verfahren (Abschnitt 2.2). Da das zentrale Ziel dieser Arbeit die Erzeugung synthetischer Augenbilder für das Training und die Evaluierung verschiedener Segmentierungsansätze ist, wird in Abschnitt 2.3 das Prinzip der computergestützten Datengenerierung erläutert. In Abschnitt 2.5 werden die mathematischen Grundlagen zur konsistenten Bestimmung der Pupillenellipse dargelegt. Abschließend wird in Abschnitt 2.6 der Bezug zur Gehirnerschütterungs-Diagnostik hergestellt und verdeutlicht, welchen Beitrag eine präzise Pupillenerkennung aus medizinischer Perspektive leisten kann.
+
+### Kap. 3: Stand der Forschung
+> In diesem Kapitel werden aktuelle Entwicklungen in der videobasierten Pupillenerfassung und zugehörige Forschungsthemen dargestellt. Abschnitt 3.1 beleuchtet Head-Mounted Systeme und Brillen zur Pupillenerfassung sowie deren Herausforderungen in medizinischen und sportlichen Anwendungsszenarien. Anschließend werden in Abschnitt 3.2 verschiedene Studien und Frameworks zur synthetischen Eye-Tracking-Datenerzeugung diskutiert. Einen kurzen Einblick in moderne KI-Ansätze zur Pupillensegmentierung gibt Abschnitt 3.3, bevor in Abschnitt 3.4 verbleibende Lücken und ein Ausblick auf mögliche Weiterentwicklungen gegeben werden.
+
+### Kap. 4: Methodik und Konzeption
+> In der vorliegenden Arbeit wird ein mehrstufiger Ansatz entwickelt und demonstriert, bei dem zunächst synthetische Daten aus einer fotorealistischen Blender-Szene generiert werden. Anschließend werden diese Daten mithilfe eines KI-basierten Segmentierungsmodells verarbeitet, um letztlich den Pupillendurchmesser zu bestimmen. Ein Vergleich mit dem abstrahierten Verfahren LEyes liefert hierbei erste Anhaltspunkte zu Laufzeit und Erkennungsleistung.
+
+### Kap. 5: Implementierung
+> Dieses Kapitel beschreibt die praktische Umsetzung der in dieser Arbeit entwickelten Pipeline zur Bestimmung des Pupillendurchmessers in synthetisch erzeugten Augenbildern. Im Mittelpunkt stehen die verwendeten Python-Skripte, die Projektstruktur sowie typische Herausforderungen und Fehlerquellen. Zunächst wird erläutert, wie das fotorealistische Rendering in Blender automatisiert wird, um automatisierte Annotationen zu generieren. Anschließend wird dargestellt, wie aus diesen annotierten Aufnahmen ein YOLO-kompatibles Trainingsset entsteht und welche Schritte beim Training sowie bei der Anwendung des Modells (Inferenz) ausgeführt werden.
+
+### Kap. 6: Experimente
+Keine Kapiteleinleitung. Geht direkt in 6.1 "Experimentelles Setup" (wobei 6.1 selbst wie eine Kapiteleinleitung beginnt).
+
+### Kap. 7: Interpretation
+> Obwohl beide Experimente vor allem einen Proof-of-Concept liefern sollen und nicht als abschließende Bewertung des Verfahrens zu verstehen sind, ergeben sich bereits einige wichtige Schlussfolgerungen sowie Hinweise auf notwendige Folgeschritte.
+
+### Kap. 8: Fazit und Ausblick
+> In dieser Arbeit wurde ein neuartiger Workflow zur fotorealistischen, synthetischen Datengenerierung von Augenbildern in Blender vorgestellt und exemplarisch für die Pupillensegmentierung sowie -durchmessermessung erprobt. Im Vergleich zu bestehenden abstrahierten Ansätzen (LEyes) bietet der Ansatz eine fein abgestimmte Steuerung von Beleuchtung, Lidabdeckung, Pupillengröße und Hauttexturen, was grundsätzlich eine größere Realitätsnähe ermöglicht.
+
+---
+
+## Remiorz (2025) - Verbesserung der Pupillenerkennung unter schwierigen Bedingungen
+
+### Kap. 1: Einleitung
+Keine Kapiteleinleitung. Geht direkt in 1.1.
+
+### Kap. 2: Grundlagen
+> Dieses Kapitel legt die fundamentalen Grundlagen, die für das Verständnis dieser Arbeit essenziell sind. Es beginnt in Abschnitt 2.1 mit einer Darstellung der anatomischen Strukturen des menschlichen Auges und der Pupillendynamiken, um den biologischen Kontext der Pupillenerkennung zu schaffen. Daran anknüpfend gibt Abschnitt 2.2 eine umfassende Einführung in die Funktionsweise und die Trainingskonzepte von neuronalen Netzen, welche das technologische Fundament der Bildsegmentierung bilden. Darauf aufbauend werden in Abschnitt 2.3 die spezifischen Modellarchitekturen vorgestellt, die in dieser Arbeit evaluiert werden. Anschließend erörtert Abschnitt 2.4 das Konzept der synthetischen Daten als Lösungsansatz für die Limitierungen realer Datensätze im maschinellen Lernen. Den Abschluss des Kapitels bildet in Abschnitt 2.5 eine detaillierte Beschreibung der Evaluationsmetriken, die zur objektiven Leistungsbewertung der entwickelten Segmentierungsmodelle herangezogen werden.
+
+### Kap. 3: Stand der Forschung
+> Dieses Kapitel gibt einen Überblick über den aktuellen Stand der Forschung in den für diese Arbeit relevanten Bereichen. Die Auswahl der hier vorgestellten Arbeiten erhebt keinen Anspruch auf Vollständigkeit, sondern zielt darauf ab, eine fundierte Grundlage für die in dieser Masterarbeit behandelten Themen zu schaffen. Zunächst werden in Abschnitt 3.1 grundlegende Arbeiten zur Pupillenerkennung vorgestellt, die von systematischen Reviews bis zu einflussreichen, auf neuronalen Netzen basierenden Ansätzen reichen. Anschließend wird in Abschnitt 3.2 das fundamentale Konzept des Trainings neuronaler Netze mit synthetischen Daten und der damit verbundenen Technik der Domain Randomization erläutert. Abschnitt 3.3 überträgt diesen Ansatz auf den spezifischen Anwendungsfall der Pupillendetektion und stellt Arbeiten vor, die synthetische Augendaten nutzen. Die praktischen Werkzeuge zur Erzeugung solcher Daten werden in Abschnitt 3.4 untersucht. Zur Evaluation der entwickelten Modelle werden etablierte, öffentliche Datensätze benötigt, die in Abschnitt 3.5 detailliert beschrieben werden. Das Kapitel schließt mit einer Zusammenfassung des Forschungsstandes in Abschnitt 3.6, aus der die Forschungslücke abgeleitet und der Beitrag der vorliegenden Arbeit positioniert wird.
+
+### Kap. 4: Methodik und experimentelles Setup
+> In diesem Kapitel werden die Methodik und die experimentellen Grundlagen dieser Arbeit detailliert beschrieben, um die systematische Untersuchung der zentralen Forschungsfrage und die Reproduzierbarkeit der Ergebnisse zu gewährleisten. Dazu wird zunächst in Abschnitt 4.1 die zentrale Forschungsfrage formuliert und das darauf aufbauende, dreiteilige Versuchsdesign vorgestellt. Die Datengrundlage der Experimente wird anschließend in Abschnitt 4.2 erläutert, was die verwendeten Datensätze, deren Vorverarbeitung, Augmentierung sowie die strategische Aufteilung in Trainings-, Validierungs- und Testdaten umfasst. In Abschnitt 4.3 wird die Auswahl der vier evaluierten neuronalen Netzarchitekturen begründet. Abschließend legt Abschnitt 4.4 die technischen Rahmenbedingungen fest, indem die Trainingskonfigurationen, Hyperparameter, Evaluationsmetriken sowie die genutzte Hard- und Softwareumgebung spezifiziert werden.
+
+### Kap. 5: Generierung eines synthetischen Datensatzes
+> Dieses Kapitel legt die Grundlage für den Ansatz, neuronale Netze gezielt mit synthetischen Daten zu trainieren, die schwierige Szenarien abbilden. Zunächst wird in Abschnitt 5.1 eine systematische Analyse von Störfaktoren auf Basis relevanter Fachliteratur und einer eigens erstellten Störungsmatrix durchgeführt, um die für die Datengenerierung prioritären Herausforderungen zu identifizieren. Aufbauend auf dieser Analyse beschreibt Abschnitt 5.2 die Methodik der synthetischen Datenerstellung. Schließlich dokumentiert Abschnitt 5.3 den gesamten Prozess der Datensatzerstellung, von der Nutzung der Recheninfrastruktur bis hin zur finalen Zusammensetzung und Charakterisierung des Datensatzes.
+
+### Kap. 6: Implementierung
+> Dieses Kapitel beschreibt die technische Umsetzung der für diese Arbeit entwickelten Softwarearchitektur. Der Fokus der Implementierung liegt auf einem modularen, reproduzierbaren und konfigurationsgesteuerten Ansatz, um eine systematische Durchführung der Experimente zu gewährleisten. Zu diesem Zweck wurden drei zentrale, aufeinander aufbauende Pipelines entwickelt, deren Aufbau und Funktionalität detailliert erläutert werden.
+>
+> Zunächst wird in Abschnitt 6.1 die grundlegende Projektstruktur vorgestellt. Darauf aufbauend wird in Abschnitt 6.2 die Implementierung der Datenpipeline beschrieben. Anschließend wird in Abschnitt 6.3 die Trainingspipeline erläutert. Den Abschluss bildet die Vorstellung der Evaluationspipeline in Abschnitt 6.4. Zusammen bilden diese Komponenten die technische Grundlage für die in den folgenden Kapiteln präsentierten experimentellen Untersuchungen.
+
+### Kap. 7: Trainingsergebnisse und Analyse
+> In diesem Kapitel werden die Ergebnisse der durchgeführten Experimente präsentiert und systematisch analysiert. Der erste Schritt ist die detaillierte Untersuchung des Trainingsverlaufs in Abschnitt 7.1, um die Konvergenz und Stabilität der unterschiedlichen Modell- und Datenkombinationen zu bewerten. Darauf aufbauend erfolgt in Abschnitt 7.2 der quantitative und qualitative Leistungsvergleich der finalen Modelle auf dem internen Testdatensatz. Um die tatsächliche Generalisierungsfähigkeit zu prüfen, werden die Modelle in Abschnitt 7.3 auf dem externen und gänzlich ungesehenen LPW-Datensatz evaluiert. Neben der reinen Segmentierungsgenauigkeit ist die Praxistauglichkeit entscheidend, weshalb in Abschnitt 7.4 ein Effizienzvergleich hinsichtlich Inferenzgeschwindigkeit, Speicherbedarf und Trainingsdauer durchgeführt wird. Das Kapitel schließt mit Abschnitt 7.5, der die zentralen Erkenntnisse zusammenfasst und die Grundlage für die abschließende Diskussion legt.
+
+### Kap. 8: Diskussion
+Nicht verfügbar (Volltext endet vor diesem Kapitel).
+
+---
+
+## Kleipsties (2025) - Neuronale Architektursuche für Pupillensegmentierung
+
+### Kap. 1: Einleitung
+Keine Kapiteleinleitung. Geht direkt in 1.1.
+
+### Kap. 2: Grundlagen
+> Dieses Kapitel schafft das fachliche Fundament für die in dieser Arbeit verfolgte neuronale Architektursuche eines U-Net inspirierten Pupillensegmentierungsmodells. Zunächst werden in Abschnitt 2.1 die anatomischen Grundlagen des menschlichen Auges dargestellt. Abschnitt 2.2 führt in die künstlichen neuronalen Netze ein und behandelt Feed-Forward-Netze, Convolutional Neural Networks und die U-Net-Architektur. In Abschnitt 2.3 wird das Konzept der neuronalen Architektursuche vorgestellt, einschließlich Multi-Fidelity- und Multi-Objective-Optimierung mittels NSGA-II. Abschnitt 2.4 beschreibt die YOLO11-Architektur, die als Baseline dient.
+
+### Kap. 3: Stand der Forschung
+> Kurzer Einleitungsabsatz mit Verweis auf: evolutionäre NAS für U-Net-Architekturen (3.1), Multi-Objective-Optimierung (3.2), Multi-Fidelity-Strategien (3.3), Pupillensegmentierung (3.4) und identifizierte Forschungslücken (3.5).
+
+### Kap. 4: Daten und Datengenerierung
+> Ausführliche Einleitung mit Beschreibung der zwei Datenquellen: der reale 500K-Images-Datensatz (4.1) und das synthetische LEyes-Framework (4.2), einschließlich Details zu Datenaufteilung, HDF5-Konsolidierung, Augmentierung und LEyes-Integration.
+
+### Kap. 5: Methodik und Versuchsplanung
+> Einleitung beschreibt vier sequenzielle Experimente: Exp I (Datensatzvergleich), Exp II (Hyperparameter-Optimierung pro Modellgrößenklasse), Exp III (Bi-Objective NAS via NSGA-II mit Multi-Fidelity), Exp IV (finales Training und YOLO-Baseline-Vergleich).
+
+### Kap. 6: Implementierung
+> Kurze Einleitung: Projektstrukturübersicht (6.1), wiederverwendbare Module und Übersetzung von Individuen zu U-Nets (6.2), NSGA-II-Implementierung (6.3) und Experiment-Implementierungen (6.4).
+
+### Kap. 7: Ergebnisse
+> Einleitung mit Verweis auf: Ausführungsprobleme (7.1), Datensatzvergleich (7.2), HPO-Ergebnisse (7.3), NAS-Modelle (7.4), YOLO-Baseline-Vergleich (7.5) und Zusammenfassung/Diskussion (7.6).
+
+### Kap. 8: Abschluss
+Nicht verfügbar (Volltext endet vor diesem Kapitel).