67 lines
2.9 KiB
Markdown
67 lines
2.9 KiB
Markdown
# Plan:
|
|
https://docs.google.com/spreadsheets/d/1y17dqZGHrzOrMXtfsVI_F3kI5vPkJVCvuprvxPj-Lt0/edit?gid=0#gid=0
|
|
Vorgabe: um die 100 Seiten.
|
|
|
|
## Abstract deutsch/englisch (je 1 Seite, also 2)
|
|
**Am Ende** ggf. von Gibbidy machen lassen
|
|
# 1. Einleitung
|
|
(einziges Kapitel ohne Zusammenfassung)
|
|
## 1.1 Motivation und Problemstellung (ca. 1 Seite)
|
|
- Gehirnerschütterung anhand von Pupillenreflexen erkennen
|
|
- Schwierigkeiten dabei
|
|
- Warum ist es wichtig, verschiedene Augenformen zu modellieren (Ethnischer Bias, etc.)
|
|
## 1.2 Zielsetzung der Arbeit (ca. 1 Seite)
|
|
- Zentral: modellieren von verschiedenen Merkmalen der Periorbitalregion
|
|
- Forschungsfragen:
|
|
- Die zentrale Forschungsfrage ist dabei: Verbessert das Modellieren von verschiedenen Augenformen die Erkennung durch neuronale Netze auf echten Datensätze?
|
|
- Hypothesen:
|
|
- Die Modellierung verschiedener Augenformen trägt nicht zur Verringerung der Domain-Gap bei und verbessert die Detektion nicht (weil z. B. LEyes sehr gut funktioniert)
|
|
- Irgendwie reinbekommen (weil nicht wirklich die Frage gewesen): Der Laufzeit der Generierungspipeline lässt sich verbessern
|
|
## 1.3 Aufbau der Arbeit (ca. 1 Seite)
|
|
**Am Ende** ggf. von Gibbidy machen Lassen
|
|
# 2. Grundlagen (15 - 30% der Arbeit, 15 - 20 Seiten)
|
|
- Blender
|
|
- Shape-Keys
|
|
- Subdivision Surface
|
|
- Medizinische Grundlagen
|
|
- Muskeln,
|
|
- Knochen,
|
|
- anderer Kram, der Einfluss auf das Gedöns hat
|
|
- Vielleicht kurz Anreißen:
|
|
- synthetische Datengenerierung, Eye-Tracking, Segmentierung, Blender-relevante Begriffe.
|
|
# 3. Stand der Forschung (5 bis 17,5%, 4 bis 13 Seiten)
|
|
# 4. Methodik (Gibbidys Idee: Konzeption der parametrisierbaren Augenmodell-Pipeline)
|
|
# 5. Implementierung
|
|
1. Projektstruktur
|
|
- Wie ist der Code organisiert, also Hauptordner, Ordner für Experimente, etc.
|
|
2. Blender Kram:
|
|
1. Augenlid
|
|
1. Bisherige Implementierung
|
|
2. Neue Implementierung
|
|
2. Wimpern / Augenbrauen
|
|
1. Bisherige Implementierung
|
|
2. Neue Implementierung
|
|
3. Gesichts-Shape-Keys
|
|
3. Beispielausgaben
|
|
# 6. Versuchsaufbau
|
|
1. Experiment 1: Untersuchung der Laufzeit
|
|
2. Experiment 2: Training der Yolo-Modelle
|
|
3. Hardware
|
|
# 7. Versuchsergebnisse und Analyse (8 - 30%, 4* bis 28 Seiten)
|
|
*nicht ganz Fair, weil die bei Jan im Kapitel, das die Experimente erklärt mit drin sind, also eher 8 Seiten
|
|
1. Experiment 1: Untersuchung der Laufzeit
|
|
2. Experiment 2: Training der Yolo-Modelle
|
|
3. Zusammenfassung der Ergebnisse
|
|
# 8. Abschluss / Diskussion (4%, 2 bis 4 Seiten)
|
|
1. Diskussion der Ergebnisse im Hinblick der Forschungsfragen und Hypothesen / Zentrale Erkenntnisse / Zusammenfassung
|
|
2. ggf. Limitationen der Arbeit
|
|
- z. B., dass das Yolo-Training nicht sehr ausführlich war
|
|
3. Fazit
|
|
4. Ausblick / Future Work
|
|
- Für die Modellierung:
|
|
- Face-Scans versuchen?
|
|
- doch PCAs versuchen?
|
|
- Generative Ansätze mit NNs ausprobieren?
|
|
- Für Performance:
|
|
- Statt Texturen auf der CPU erzeugen, diese per Shader in Blender direkt machen
|