Die Altersabschätzung (Age Estimation) ist ein spannendes Forschungsfeld, das sich mit der Bestimmung des Alters einer Person auf Basis verschiedener Merkmale beschäftigt. Dabei kann das geschätzte Alter auf unterschiedliche Weise dargestellt werden, etwa als genaue Jahreszahl, als numerischer Bereich (z. B. 0–2, 2–10, 10–18, etc.) oder als diskrete Altersgruppe (z. B. Baby, Kleinkind, Teenager, Erwachsene, Ältere).
Diese Bachelorarbeit konzentriert sich auf die Altersabschätzung aus der Perspektive des Computer Visions. Ziel ist es, das Alter einer Person ausschließlich anhand von gegebenem Bildmaterial zu bestimmen. Andere (biologische) Faktoren wie Zahnabdrücke oder Knochenstrukturen werden dabei nicht berücksichtigt.
Was Du bei uns tust
Das primäre Ziel der Arbeit ist die Konzeption und Implementierung eines Deep-Learning-basierten Verfahrens, das Bilder einer Person einer entsprechenden Altersgruppe zuordnet. Die dafür notwendige Datenbasis wird bereitgestellt, sodass kein eigener Datensatz erstellt werden muss. Die Aufgaben gliedern sich wie folgt:
Datenvorverarbeitung:
Kategorisierung der Bilder: Die bereitgestellten Bilder müssen in drei Kategorien eingeteilt werden:
- Brauchbare Bilder: Bilder, die klar und eindeutig klassifizierbar sind.
- Irrelevante Bilder: Bilder, die keine Personen enthalten (z. B. Spielzeug, Stifte, Landschaften, etc.).
- Schwierige Bilder: Bilder mit verdeckten oder unvollständigen Gesichtern.
Vorfilterung: Ziel ist es, eine qualitativ hochwertige und relevante Datengrundlage für das Training zu schaffen.
Labeling der Altersgruppen:
Die Bilder sollen in fünf Altersgruppen eingeteilt werden (Baby, Kleinkind, Teenager, Erwachsene, Ältere).
Für die Automatisierung können Modelle wie OpenAIs CLIP oder Vision-Language-Modelle (z. B. Florence-2) eingesetzt werden.
Modellentwicklung:
Entwicklung eines effizienten Deep-Learning-Modells zur Altersklassifikation basierend auf YOLO.
Besonderer Fokus liegt auf der Altersgruppe Teenager, da diese häufig mit den angrenzenden Gruppen (Kleinkind und Erwachsene) verwechselt wird.
Evaluation und Vergleich:
Evaluierung des entwickelten Modells in Bezug auf Genauigkeit und Robustheit.
Vergleich mit bestehenden Ansätzen sowie der Einsatz verschiedener Modellarchitekturen.
Gegenüberstellung von Modellen mit und ohne Finetuning, insbesondere mit Vision-Language-Modellen (VLMs).
Besonderer Schwerpunkt:
Ein Hauptaugenmerk der Arbeit liegt auf der Verbesserung der Klassifikationsgenauigkeit innerhalb der Altersgruppe Teenager. Diese Gruppe stellt aufgrund ihrer Nähe zu den angrenzenden Altersgruppen eine besondere Herausforderung dar.
Ergebnis:
Das entwickelte Verfahren soll abschließend evaluiert und mit bestehenden Methoden verglichen werden. Die gewonnenen Erkenntnisse sollen dazu beitragen, die Genauigkeit der Altersabschätzung zu verbessern, insbesondere in anspruchsvollen Altersgruppen.
Was Du mitbringst
* Studium der Informatik, Mathematik oder eines verwandten Fachgebiets mit Fokus auf Maschinelles Lernen und idealerweise Computer Vision
* Fundierte Kenntnisse in Machine/Deep Learning
o Vertraut mit verschiedenen Architekturen von Neuronalen Netze (insbesondere CNNs, Vision-Transformer und Vision Language Models)
o Vertraut mit grundlegenden Begriffen und Konzepte wie: Klassifikation, Hyperparameter-Optimierung, Fine-Tuning, Evaluierung von Modellen
* Fundierte Kenntnisse in Python sind zwingend erforderlich
* Von Vorteil: Fähigkeit, Methoden und Verfahren aus wissenschaftlichen Veröffentlichungen eigenständig umzusetzen
* Von Vorteil: Wissen und Erfahrung im Bereich Cybersicherheit
* Bereitschaft, sich neuen Herausforderungen zu stellen
* Ausgeprägtes analytisches Denken
Was Du erwarten kannst
* Selbstständige Arbeitszeiteinteilung
* Einblicke in das Schnittfeld von akademischer Forschung und industrieller Anwendung
Wir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen – unabhängig von Alter, Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion, Weltanschauung, Behinderung sowie sexueller Orientierung und Identität. Schwerbehinderte Menschen werden bei gleicher Eignung bevorzugt eingestellt.
Mit ihrer Fokussierung auf zukunftsrelevante Schlüsseltechnologien sowie auf die Verwertung der Ergebnisse in Wirtschaft und Industrie spielt die Fraunhofer-Gesellschaft eine zentrale Rolle im Innovationsprozess. Als Wegweiser und Impulsgeber für innovative Entwicklungen und wissenschaftliche Exzellenz wirkt sie mit an der Gestaltung unserer Gesellschaft und unserer Zukunft.
Haben wir Dein Interesse geweckt?