Master\'s Thesis - Methods for Acoustic Event Detection

Mit den Fortschritten in der KI und im maschinellen Lernen werden leistungsstarke Methoden zur automatischen Verarbeitung und Analyse von Audiodaten eingesetzt. Maschinen können Informationen aus Audiosignalen extrahieren, ähnlich wie Menschen. Anwendungen umfassen die Identifizierung von Geräuschen in Fahrzeugen, Glasbruchdetektion und Klassifizierung von Tiergeräuschen. Um eine zuverlässige Erkennung akustischer Ereignisse zu gewährleisten, sind umfangreiche Trainingsdaten erforderlich. Herausforderungen ergeben sich bei seltenen Ereignissen, die schwer zu kennzeichnen sind. Lösungen umfassen die Nutzung wachsender Datenmengen oder optimierte Lernmethoden, die weniger Trainingsdaten benötigen.

Die folgenden Themen können in diesem Zusammenhang ausgewählt werden:

• Semi-supervised learning: Es kann angenommen werden, dass es im Fall von akustischen Ereignissen, die besonders schwer zu kennzeichnen sind, eine große Menge an Daten gibt, die den Klang enthalten, aber entweder nicht gekennzeichnet oder falsch gekennzeichnet sind. Semi-supervised Learning-Methoden können zuverlässige Modelle zur Erkennung und Klassifizierung aus einer begrenzten Menge an gekennzeichneten Daten und einer großen Menge an nicht gekennzeichneten Daten erstellen.
• Incremental learning: Mit Incremental Learning kann ein System kontinuierlich lernen und sich an neue akustische Ereignisse anpassen, ohne eine vollständige Neutrainierung zu erfordern. Die Menge an anfänglichen Trainingsdaten kann ebenfalls überschaubar gehalten werden. Die Inkremente mit zusätzlichen Trainingsdaten können durch kontinuierliche Inferenz der Modelle auf einem großen, nicht gekennzeichneten Datensatz gewonnen werden, sodass das System neue Trainingsdaten eigenständig erwerben kann.
• Few-shot learning: Der Einsatz von Few-Shot-Learning-Techniken ermöglicht das Training von Modellen, die mit nur wenigen Trainingsbeispielen genaue Ergebnisse liefern können. In dieser Arbeit wird eine Methode entwickelt, um fahrzeugbezogene akustische Ereignisse mithilfe von Few-Shot-Learning mit einem minimalen Datensatz zu erkennen und zu klassifizieren.

Das Ziel dieser Arbeit ist es, eine der oben genannten Methoden zur Erkennung akustischer Ereignisse zu untersuchen und die Nutzung größerer Trainingsdatensätze ohne zusätzlichen Kennzeichnungsaufwand zu ermöglichen oder eine höhere Genauigkeit bei der Verwendung eines kleinen verfügbaren Trainingsdatensatzes zu erreichen.

Ihre Aufgaben:

• Sie führen Literaturrecherchen durch und machen sich mit dem Thema vertraut.
• Sie entwickeln und implementieren Methoden zur Erkennung akustischer Ereignisse oder Anomalien.
• Sie analysieren und optimieren bestehende Modelle zur Erkennung und Klassifizierung akustischer Ereignisse.
• Sie führen Experimente und Tests durch, um die entwickelten Modelle zu validieren.
• Sie dokumentieren und präsentieren Ihre Arbeitsergebnisse.

Notwendige Fähigkeiten:

• Aktuelles Studium der Informatik, Mechatronik, Elektrotechnik oder eines vergleichbaren technischen oder wissenschaftlichen Studiengangs.
• Programmierungserfahrung in mindestens einer Hochsprache.
• Exzellente Englischkenntnisse in Wort und Schrift.
• Gute Deutschkenntnisse (mindestens B2-Niveau).

Gewünschte Fähigkeiten:

• Erfahrung oder Interesse an den folgenden Programmiersprachen / Frameworks / Tools: Python, Tensorflow, Keras, PyTorch, Kubeflow.
• Kenntnisse in maschinellem Lernen, neuronalen Netzen oder Mustererkennung.
• Selbstständige und strukturierte Arbeitsweise.
• Bereitschaft zu lernen, starke Eigeninitiative sowie Kommunikations- und Teamfähigkeit.

Die Vergütung richtet sich nach unserem Tarifvertrag. Das aktuelle monatliche Gehalt für diese Position beträgt 979,00 EUR.

Standort: Wolfsburg, Niedersachsen, Deutschland.

Diversität und Chancengleichheit sind uns wichtig. Was uns zählt, ist der Einzelne mit seinem Charakter und seinen Stärken.