Status des Praktikums/der Masterarbeit: offen
Betreuer: Elisabeth Wetzinger, Martin Kampel
Problemstellung
Nahezu alle 10-15-Jährigen besitzen heute eine Kamera, z.B. im Handy oder Smartphone, und halten Erlebnisse, das tägliche Geschehen und auch sich selbst in Bildern fest. Immer mehr dieser Bilder finden den Weg über Soziale Netzwerke oder Cloud Services ins Internet. Selbstverständliche Mediennutzung der “digital natives” prallt auf mangelndes Bewusstsein für Chancen, Risiken und Verantwortung im Umgang mit personenbezogenen Bildern im Internet. Schattenseiten und Konsequenzen sind Trends wie “Sexting” oder “Cybermobbing”. Online veröffentlichte Bilder verbreiten sich schnell an ein großes Publikum und sind kaum wieder zu entfernen. Die Tragweite solcher Trends ist groß.
Innovationen in den Bereichen Informatik und Computer Vision erlauben heutzutage die personenbezogene Analyse und Verknüpfung von Bildern im Internet. Bilder können aus Sozialen Netzwerken und Suchmaschinen akquiriert und einer Bildanalyse durch State-of-the-Art Methoden zur Erkennung von Gesicht, Alter, Geschlecht und Emotion unterzogen werden. Die Resultate können dann zu profilartigen Personenbeschreibungen verknüpft und visualisiert werden. Ein solches Profiltool zeigt die derzeitigen technischen Möglichkeiten auf und ermöglicht es den Schüler/innen, durch aktive Mitarbeit und und dem Praxiseinsatz des entwickelten Profiltools sich kritisch mit ihrem eigenen Medienumgang auseinanderzusetzen.
Zielsetzung
Es sollen verschiedene Techniken zur personenbezogenen Analyse von Bildern untersucht werden. Dies umfasst die Erkennung von Gesichtern, Alter, Geschlecht sowie emotionalen Attributen. Basierend auf einer Literaturrecherche sollen ausgewählte Algorithmen implementiert und evaluiert werden. Die Bearbeitung kann sowohl im Rahmen eines Praktikas als auch einer Masterarbeit erfolgen.
Bezahlung
Es besteht die Möglichkeit einer finanziellen Vergütung sowohl bei Praktikum als auch Masterarbeit.
Literatur
Taigman, Y., Yang, M., Ranzato, M. A., & Wolf, L. (2013). Deepface: Closing the gap to human-level performance in face verification. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 1701-1708).
Guo, G., & Zhang, C. (2013). A Study on Cross-Population Age Estimation. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 4257-4263).
Shan, C. (2012). Learning local binary patterns for gender classification on real-world face images. Pattern Recognition Letters, 33(4), 431-437.
Machajdik, J., & Hanbury, A. (2010). Affective image classification using features inspired by psychology and art theory. In Proceedings of the international conference on Multimedia (pp. 83-92). ACM.