@book{2023:kuhnke:unsupervis,
title = {Unsupervised Domain Adaption for Real-World Head Pose Estimation from Synthetic Data},
year = {2023},
note = {Diese Disse tation beschäftigt sich mit der bildbasierten
Kopfposenschätzung mittels Deep Learning und Lernen aus synthetischen
Daten. Synthetische Daten bieten viele Vorteile gegenüber realen
Daten, die aufwendig in der realen Welt gesammelt werden müssen.
Allerdings erreicht Deep Learning mit synthetischen Daten oft nicht
die Genauigkeit, die mit realen Daten erreicht werden könnte. Um
dieses Problem zu lösen, werden in dieser Arbeit zwei Methoden zur
unüberwachten Domänenadaption vorgestellt. Diese verbessern die
Genauigkeit, die durch Training mit synthetischen Daten auf realen
Daten erreicht werden kann, erheblich. Darüber hinaus wird in dieser
Arbeit der Einfluss verschiedener Faktoren auf die Bewertung von
Schätzalgorithmen für Kopfposen analysiert. Contents 1 introduction
1 1.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . .
. 1 1.2 Challenges in Domain Adaptation with Synthetic Data and
Continuous Label Spaces . . . . . . . . . . . . . . . . . 4 1.3
Objectives and Contributions . . . . . . . . . . . . . . . . . 7 1.4
Outline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 fundamentals 11 2.1 Machine Learning with Deep Neural Netw...},
edition = {},
publisher = {VDI Verlag},
address = {Düsseldorf},
series = {Informatik/ Kommunikation},
volume = {883},
author = {Kuhnke, Felix Konstantin}
}