05 Fakultät Informatik, Elektrotechnik und Informationstechnik

Permanent URI for this collectionhttps://elib.uni-stuttgart.de/handle/11682/6

Browse

Filters

2021 - 20267

Settings

Institute: search.filters.UBSInstitut.Institut für Signalverarbeitung und SystemtheorieStart date: 2021Subject: search.filters.subject.621.3

Search Results

Now showing 1 - 7 of 7
  • Thumbnail Image
    ItemOpen Access
    Imaging-derived biological age across multiple organs links to mortality and aging-related health outcomes
    (2026) Ecker, Veronika; Yang, Bin; Gatidis, Sergios; Küstner, Thomas
    Aging is a complex, multifactorial process, influencing disease risk and overall health. While chronological age (CA) is widely used in clinical practice, it fails to capture individual aging trajectories. Current approaches to estimate biological age (BA) often focus on single organs or predefined clinical biomarkers, limiting comprehensive assessment. We introduce a novel, purely imaging-driven deep learning framework for organ-specific BA estimation across seven organ systems. Our uncertainty-aware ResNet-based models autonomously learned aging-related features from imaging data in 70,000 UK Biobank participants, eliminating manual feature selection biases. Training on a healthy cohort, where CA approximates BA, allows learning normative aging patterns. When applied to a broader cohort, deviations from typical aging indicate older or younger BA. Our findings demonstrate the feasibility of BA estimation, even in organs with subtle aging features. While aging is largely heterogeneous across organs, we also identified correlations in aging patterns. We further showed that accelerated aging is prognostic of mortality and health outcomes, offering insights for personalized assessments.
  • Thumbnail Image
    ItemOpen Access
  • Thumbnail Image
    ItemOpen Access
    Rehearsal-based continual learning with deep neural networks for image classification
    (2024) Wiewel, Felix; Yang, Bin (Prof. Dr.-Ing.)
  • Thumbnail Image
    ItemOpen Access
    Least-squares based layerwise pruning of Deep Neural Networks
    (2024) Mauch, Lukas; Yang, Bin (Prof. Dr.-Ing.)
    Tiefe Neuronale Netze (DNNs) sind derzeit die leistungsstärksten Modelle im Bereich des maschinellen Lernens und lösen erfolgreich viele Aufgaben, wie zum Beispiel Bild- und Spracherkennung, semantische Segmentierung oder Datengenerierung. Aufgrund der inhärent hohen Rechenkomplexität von DNNs wurden schon früh Pruningverfahren angewandt um die Rechenkomplexität von DNNs zu reduzieren und um die Inferenz zu beschleunigen. Pruningverfahren entfernen (prunen) Parameter aus einem trainierten DNN, ohne ihre Leistung dadurch signifikant zu beeinträchtigen. Die dadurch erhaltenen Modelle können auch auf schwachen Rechenplattformen mit hoher Geschwindigkeit ausgewertet werden. In den letzten Jahren wurden Pruningverfahren nicht nur nach dem Training, sondern auch als Bestandteil von modernen Trainingsalgorithmen für DNNs eingesetzt. So wenden zum Beispiel viele speichereffiziente Trainingsalgorithmen oder Architektursuchverfahren pruning schon während des Trainings an, um unwichtige Parameter aus dem DNN zu entfernen. Problematisch ist, dass viele moderne Pruningverfahren auf regularisierten, überwachten Trainingverfahren beruhen und daher selbst sehr rechenaufwändig sind. Solche Pruningverfahren können nicht ohne Weiteres in andere Trainingsalgorithmen eingebettet werden. Es besteht daher ein wachsendes Interesse an Pruningmethoden, die sowohl schnell als auch genau sind. In dieser Arbeit untersuchen wir das layerbasierte Least-Squares (LS) Pruning – ein Framework für das strukturierte Pruning von DNNs. Wir zeigen, dass LS-Pruning eine schnelleund dennoch genaue Methode für die DNN-reduktion ist, die für Zero-Shot oder für die unüberwachte Netzwerkreduktion verwendet werden kann. In experimenten vergleichen wir LS-Pruning mit anderen schnellen Reduktionsmethoden, wie zum Beispiel dem magnitudenbasierten Pruning und der LS-Faktorisierung. Darüber hinaus vergleichen wir LS-Pruning mit überwachten Pruningverfahren.
  • Thumbnail Image
    ItemOpen Access
    Algorithms for event-based non-intrusive load monitoring
    (2024) Liebgott, Florian; Yang, Bin (Prof. Dr.-Ing.)
  • Thumbnail Image
    ItemOpen Access
  • Thumbnail Image
    ItemOpen Access
    Image preprocessing for outdoor luminescence inspection of large photovoltaic parks
    (2021) Kölblin, Pascal; Bartler, Alexander; Füller, Marvin
    Electroluminescence (EL) measurements allow one to detect damages and/or defective parts in photovoltaic systems. In principle, it seems possible to predict the complete current/voltage curve from such pictures even automatically. However, such a precise analysis requires image corrections and calibrations, because vignetting and lens distortion cause signal and spatial distortions. Earlier works on crystalline silicon modules used the cell gap joints (CGJ) as calibration pattern. Unfortunately, this procedure fails if the detection of the gaps is not accurate or if the contrast in the images is low. Here, we enhance the automated camera calibration algorithm with a reliable pattern detection and analyze quantitatively the quality of the process. Our method uses an iterative Hough transform to detect line structures and uses three key figures (KF) to separate detected busbars from cell gaps. This method allows a reliable identification of all cell gaps, even in noisy images or if disconnected edges in PV cells exist or potential induced degradation leads to a low contrast between active cell area and background. In our dataset, a subset of 30 EL images (72 cell each) forming grid (5×11) lead to consistent calibration results. We apply the calibration process to 997 single module EL images of PV modules and evaluate our results with a random subset of 40 images. After lens distortion correction and perspective correction, we analyze the residual deviation between ideal target grid points and the previously detected CGJ after applied distortion and perspective correction. For all of the 2200 control points in the 40 evaluation images, we achieve a deviation of less than or equal to 3 pixels. For 50% of the control points, a deviation of of less than or equal to 1 pixel is reached.