Diese Herausforderung erwartet dich:

Mit den Fortschritten in KI und maschinellem Lernen werden leistungsfähige Methoden zur automatischen Verarbeitung und Analyse von Audiodaten eingesetzt. Maschinen können Informationen aus Audiosignalen extrahieren, ähnlich wie Menschen. Anwendungen umfassen die Identifizierung von Geräuschen in Fahrzeugen, Glasbrucherkennung und Tiergeräuschklassifizierung. Für die zuverlässige Erkennung akustischer Ereignisse sind umfangreiche Trainingsdaten erforderlich. Herausforderungen bestehen bei seltenen Ereignissen, die schwer zu beschriften sind. Lösungen beinhalten die Nutzung wachsender Datenmengen oder optimierte Lernmethoden, die weniger Trainingsdaten benötigen. Aus den folgenden Themen kann in diesem Zusammenhang gewählt werden: 

Semi-überwachtes Lernen: Es ist davon auszugehen, dass bei besonders schwer zu beschriftenden akustischen Ereignissen eine größere Menge an Daten vorhanden ist, die den Klang enthalten, aber nicht oder falsch beschriftet sind. Semi-überwachte Lernmethoden können zuverlässige Modelle für die Erkennung und Klassifizierung aus einer begrenzten Menge von beschrifteten Daten und einer großen Menge von unbeschrifteten Daten erstellen.

Inkrementelles Lernen: Beim inkrementellen Lernen kann ein System kontinuierlich lernen und sich an neue akustische Ereignisse anpassen, ohne dass ein komplettes Neutraining erforderlich ist. Auch die Menge der anfänglichen Trainingsdaten kann überschaubar gehalten werden. Die Inkremente mit zusätzlichen Trainingsdaten können durch kontinuierliche Inferenz der Modelle auf einen großen, unbeschrifteten Datensatz gewonnen werden, so dass das System selbst neue Trainingsdaten erwerben kann.

Few-Shot-Lernen: Der Einsatz von „few-shot learning“-Techniken ermöglicht das Training von Modellen, die mit nur wenigen Trainingsbeispielen präzise Ergebnisse liefern können. In dieser Arbeit soll eine Methode entwickelt werden, um mit einem minimalen Datensatz fahrzeugbezogene akustische Ereignisse mittels few-shot learning zu erkennen und zu klassifizieren.

Ziel dieser Abschlussarbeit ist es, eine der genannten Methoden zur akustischen Ereigniserkennung zu erforschen und die Verwendung größerer Trainingsdatensätze ohne zusätzlichen Beschriftungsaufwand zu ermöglichen bzw. eine erhöhte Genauigkeit bei Verwendung eines kleinen verfügbaren (Trainings-)Datensatzes zu erreichen.

Deine Aufgaben:

• Du recherchierst in der Literatur und arbeitest dich in die Thematik ein
• Du entwickelst und implementierst Methoden zur Erkennung von akustischen Ereignissen oder Anomalien
• Du analysierst und optimierst bestehende Modelle zur Erkennung und Klassifizierung von akustischen Ereignissen
• Du führst Experimente und Tests zur Validierung der entwickelten Modelle durch
• Du dokumentierst und präsentierst deine Arbeitsergebnisse

Notwendige Kenntnisse:

• Laufendes Studium der Informatik, Mechatronik, Elektrotechnik oder eines vergleichbaren technischen oder naturwissenschaftlichen Studienganges
• Programmiererfahrung in mindestens einer höheren Programmiersprache
• Sehr gute Englischkenntnisse in Wort und Schrift
• Gute Deutschkenntnisse (mind. auf B2-Niveau)

Gewünschte Kenntnisse:

• Erfahrung oder Interesse an den folgenden Programmiersprachen / Frameworks / Tools: Python, Tensorflow, Keras, PyTorch, Kubeflow
• Kenntnisse in maschinellem Lernen, neuronalen Netzen oder Mustererkennung
• Selbstständige und strukturierte Arbeitsweise
• Lernbereitschaft, hohe Eigeninitiative sowie Kommunikations- und Teamfähigkeit