Analyse von Zeitrafferaufnahmen mittels Machine Learning zur Studie sozialer Interaktionen.
Python, Computer Vison, Deep Learning, Object Recognition, Image Processing
Das Ziel des Projektes war es, mittels Machine Learning ein Modell zu entwickeln, welches in der Lage ist, auf niedrig aufgelösten Zeitrafferaufnahmen vom Campusgelände Personen zu erkennen und die gesammelten Daten zu visualisieren. Der Fokus lag darauf, ein effizientes System zu schaffen, das trotz der Herausforderung einer geringen Bildauflösung genaue Erkenntnisse über die Bewegungsmuster und Raumnutzung liefern kann.
Die Ausgangssituation für unser Projekt bildete der Workshop "Social Landscapes", bei dem Innenarchitektur-Studierende des zweiten Semesters verschiedene Interventionen auf dem Campusgelände errichteten. Diese Kreationen zielten darauf ab, Interaktionen zwischen den Menschen zu fördern. Um die realen Auswirkungen dieser Interventionen zu beobachten, kam mein Projekt ins Spiel: Es geht darum, Visualisierungen zu erstellen, die zeigen, wo und wie sich die Menschen auf dem Gelände aufhalten und bewegen. Diese Analysen bieten einen spannenden Einblick in die tatsächliche Nutzung und Belebung der Räume durch die Interventionen der Studierenden.
Die Visualisierungen zeigen deutlich, wie sich die Menschen auf dem Campus bewegen. Hier sehen die erstellten Heatmaps basierend auf den Modellvorhersagen:
11.09.2023 bis 19.01.2024, 180 Stunden, 1 Person
Martina Hänggi, martina.haenggi@fhnw.ch
Mauro Hirt
Prof.Thomas Amberg und Simon Luder, Emails: thomas.amberg@fhnw.ch und simon.luder@fhnw.ch
