Bachelorarbeit mit dem Titel: Person Matching Verification - Personenwiedererkennung über lange Zeit

Wählen Sie aus, wie oft (in Tagen) Sie eine Benachrichtigung erhalten möchten:

Bachelorarbeit mit dem Titel: Person Matching Verification – Personenwiedererkennung über lange Zeit

Die Fraunhofer-Gesellschaft ( betreibt in Deutschland derzeit 76 Institute und Forschungseinrichtungen und ist eine der führenden Organisationen für anwendungsorientierte Forschung. Rund 32.000 Mitarbeitende erarbeiten das jährliche Forschungsvolumen von 3,4 Milliarden Euro.

Das Fraunhofer-Institut für Sichere Informationstechnologie SIT gehört zu den führenden Forschungs- und Entwicklungseinrichtungen für Cyber-Sicherheit in Deutschland und Europa und ist Teil von ATHENE, dem nationalen Forschungszentrum für angewandte Cybersicherheit. ATHENE ist eine Kooperation der Fraunhofer-Gesellschaft mit der TU Darmstadt, der Hochschule Darmstadt und der Goethe-Universität Frankfurt. Unser gemeinsames Ziel: die Welt von morgen sicherer zu machen.

Was Du bei uns tust

Die Wiedererkennung von Personen – ab Person Matching Verification (PeMaV) genannt, beschäftigt sich mit der Verifikation von Personen in verschiedenen Bildern. Diese Technologie findet Anwendung in Bereichen wie der Echtzeit-Verfolgung von Personen durch Überwachungskameras oder der Identifikation vermisster Personen auf Fotos. Besonders herausfordernd wird PeMaV, wenn zwischen den Aufnahmen mehrere Jahre liegen und sich physische Merkmale der Personen verändert haben oder nicht mehr erkennbar sind.

Ziel der Bachelorarbeit

Das Ziel dieser Bachelorarbeit ist die Entwicklung und Implementierung einer innovativen PeMaV-Methode, die diesen Herausforderungen gerecht wird. Dabei sollen folgende Schwerpunkte berücksichtigt werden:

1. Einsatz moderner Computer-Vision-Ansätze wie Vision Transformers (ViTs) und darauf basierende Vision-Language Models (VLMs).
2. Evaluierung der Eignung traditioneller, CNN-basierter Modelle (z. B. YOLO), die ursprünglich für generische Objekterkennung entwickelt wurden, im Kontext der Identifikation von Personen.
3. Berücksichtigung problematischer Faktoren:

• Veränderungen des Erscheinungsbilds über längere Zeiträume
• Bildunschärfe, schlechte Beleuchtung, unvollständig erfasste Gesichter sowie verdeckte Merkmale

Zunächst soll eine umfassende Literaturrecherche hinsichtlich des verwandten Forschungsthemenbereichs \“Person Re-Identification\“ durchgeführt und zu PeMaV abgegrenzt werden. Dabei sollen sowohl klassische als auch moderne Ansätze, insbesondere Vision Transformers (ViTs) und Vision-Language Models (VLMs), betrachtet werden. Aufbauend auf diesen Erkenntnissen soll die Konzeption einer PeMaV-Methodik erarbeitet werden, die auf diesen Technologien basiert und gezielt Herausforderungen wie veränderte physische Merkmale, schlechte Bildqualität oder verdeckte Gesichtspartien adressiert. Die erarbeitete Methodik soll anschließend in Form einer Methode zur Wiedererkennung von Personen entwickelt werden. Dabei sollen geeignete Modelle integriert und gegebenenfalls an die spezifischen Anforderungen von PeMaV angepasst werden. Die Implementierung soll sowohl die Auswahl als auch die Optimierung der zugrunde liegenden Modellarchitektur umfassen. Abschließend erfolgt die Evaluation des entwickelten Verfahrens durch einen systematischen Vergleich mit bestehenden Methoden. Ein besonderer Fokus liegt dabei auf der Untersuchung, ob ein Finetuning von VLMs die Leistungsfähigkeit der Methode für die Wiedererkennung von Personen signifikant verbessern kann.

Erwartete Ergebnisse:

• Eine funktionale PeMaV-Methode, die auf moderne und traditionelle Ansätze basiert
• Eine detaillierte Evaluierung der Methode, einschließlich einer einhergehenden Analyse
• Erkenntnisse zur Übertragbarkeit und Skalierbarkeit von Vision-Language Models für die Personenerkennung

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
• Vertraut mit verschiedenen Architekturen von Neuronalen Netzen (insbesondere CNNs, Vision-Transformer und Vision Language Models)
• Vertraut mit grundlegenden Begriffen und Konzepten 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? Dann bewirb Dich jetzt online mit Deinen aussagekräftigen Bewerbungsunterlagen. Wir freuen uns darauf, Dich kennenzulernen!

Fraunhofer-Institut für Sichere Informationstechnologie SIT

#J-18808-Ljbffr