Der innovative Charakter dieser Untersuchung liegt darin, den Verlust an Klassifikationsgenauigkeit durch den Transfer eines speziellen KI-Modells zur Artenklassifikation von Daten eines hochauflösenden CT-Gerätes auf Daten eines niedriger auflösenden Gerätes genau zu quantifizieren und Strategien zur Schließung dieser Performanz Lücke vorzuschlagen.
Die Untersuchungen für diese initiale Studie wurden auf Basis von Kiefern- und Ahornproben durchgeführt, während es sich bei dem hochauflösenden Scanner um ein sub-µCT-Gerät im Auflösungsbereich einiger hundert Nanometer und bei dem niedriger auflösenden Scanner um ein µCT-Gerät mit einem Auflösungsbereich von einigen µm handelt.
Ergebnisse dieser Experimente können in Zukunft dazu beitragen, KI-basierte Holzklassifizierungssysteme mit einem heterogenen volumetrischen CT-Scannerportfolio zu betreiben.
Die Wissenschaftler erhoffen sich von den Untersuchungen Informationen über die Transferierbarkeit von KI-Modellen zwischen verschiedenen Bildgebungsmodalitäten, die vom Erlernen von robusten, holzartspezifischen Mustern aus den volumetrischen Bilddaten profitiert.
Ansprechpartner:
Weitere Informationen:
Link zur Publikation auf researchgate.net
