05 Fakultät Informatik, Elektrotechnik und Informationstechnik

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

Browse

Author: search.filters.author.Müller, MichaelSubject: search.filters.subject.004

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    ItemOpen Access
    Vergleich von ADEPT2 und BPMN
    (2013) Reich, Sandra; Müller, Michael; Hood, Norman
    Bei den Sprachen zur Geschäftsprozessmodellierung existieren neben dem weitverbreiteten BPMN noch weniger bekannte Sprachen wie ADEPT. Da BPMN zunehmend zum Quasi-Standard der Geschäftsprozessmodellierung wird, stellt sich zunehmend die Frage um die Daseinsberechtigung für die anderen Sprachen. Sie müssen BPMN in Teilbereichen überlegen sein und auch die Werkzeugunterstützung muss ausgereift genug sein, um mit den gebräuchlichen BPMN-Werkzeugen mitzuhalten. So verspricht ADEPT beispielsweise ein sogenanntes "Correctness by Design"-Prinzip, was im BPMN-Standard nicht enthalten ist. Zielstellung dieser Fachstudie war nun sowohl der Vergleich zwischen BPMN und ADEPT als auch eine Untersuchung der Werkzeugunterstützung für die beiden Sprachen. Bei ADEPT ist die AristaFlow-Suite das einzige existierende Werkzeug und bei BPMN wurde aus der Vielzahl an gebräuchlichen Werkzeugen Activiti herausgegriffen.
  • Thumbnail Image
    ItemOpen Access
    Klassifikation von Bewegungstrajektorien durch regularische Regression
    (2013) Müller, Michael
    Die Extraktion von Bewegungsinformation aus Bildfolgen ist eines der zentralen Probleme im Bereich der Bild- und Videoverarbeitung. Oft ist man dabei an dem Verschiebungsvektorfeld zwischen zwei aufeinander folgenden Bildern einer Bildfolge interessiert, welches in der Literatur als optischer Fluss bezeichnet wird. Da er keine reell zu erfassende Größe ist, werden verschiedene mehr oder weniger aufwändige Verfahren entwickelt, um die Größe des optischen Flusses möglichst genau bestimmen zu können. Während die meisten Verfahren lediglich zwei aufeinanderfolgende Bilder betrachten und aus diesen auf den optischen Fluss schließen, wird im Falle des TC-Flow Verfahrens von Volz et al. (2011) eine Bildfolge über fünf Bilder betrachtet. Die Bestimmung des optischen Flusses erfolgt bei der TC-Flow Methode in drei Schritten. Zuerst wird eine Schätzung des optischen Flusses ohne trajektorielle Regularisierung, aber unter Berücksichtung räumlicher Glattheitsannahmen durchgeführt. Anschließend erfolgt eine Klassifikation der in Schritt eins berechneten Bewegungstrajektorien in konstante, lineare oder polynomielle Bewegungsmodelle. Zuletzt erfolgt eine erneute Schätzung des optischen Flusses, bei dem die Regularisierung der Bewegungstrajektorien in die Berechnung mit einbezogen wird und somit der optische Fluss unter räumlichen und zeitlichen Glattheitsannahmen geschätzt wird. Wenngleich die entstehenden Klassifikationskarten sehr verrauscht sind, lässt sich der Erfolg der TC-Flow Methode anhand des anerkannten Middlebury-Benchmarks nachvollziehen, bei dem das Verfahren einen der vorderen Plätze belegt. Da beim Klassifikationsschritt des ursprünglichen TC-Flow Verfahrens die entstehenden Klassifikationskarten teilweise stark verrauscht waren, wird in dieser Bachelorarbeit neben einem zeitlichen auch ein räumlicher Zusammenhang der Bewegungstrajektorien geschaffen. Dazu wird der ursprüngliche Klassifikationsschritt aus der TC-Flow Methode zuerst nachimplementiert und anschließend dahingehend erweitert, dass räumliche Glattheitsannahmen in der Berechnung der Klassifikationskarten berücksichtigt werden. Abschließend erfolgt eine Evaluation der neuen Klassifikationsverfahren. Diese findet einerseits visuell anhand der Klassifikationskarten, andererseits durch Integration in die TC-Flow Methode von Volz et al. statt.