Refine
Year of publication
- 2016 (11) (remove)
Document Type
- Journal (Complete Issue of a Journal) (5)
- Bachelor Thesis (1)
- Book (1)
- Conference Proceeding (1)
- Course Material (1)
- Master's Thesis (1)
- Working Paper (1)
Has Fulltext
- yes (11) (remove)
Keywords
- Blomeier (1)
- CO2-Bilanz (1)
- Computational linguistics (1)
- Denkmalschutz (1)
- Document image processing (1)
- Energiewende (1)
- Gebäudehülle (1)
- Handwriting recognition (1)
- Learning (artificial intelligence) (1)
- Probability (1)
Im Rahmen dieser Masterarbeit wurde an einem Beispielgebäude (Wessenberg-Schule Konstanz) gezeigt, dass Maßnahmen an der Gebäudehülle von Gebäuden der 60er-Jahre trotz Denkmalstatus ein durchaus erhebliches Potential aufweisen, um Wärmeverluste zu begrenzen, und sich Denkmalcharakter und energetischer Modernisierungswunsch nicht zwangsläufig gegenseitig ausschließen.
Hierbei wurden Thermografieaufnahmen angefertigt, Temperaturmessungen durchgeführt und U-Werte aller Bauteile der Gebäudehülle berechnet. Die Maßnahmen wurden auf Wärmebrücken und den Gesamtwärmedurchlass hin separat für jedes Bauteil bewertet.
Für gezielte Sanierungsvorschläge und die Untersuchung ihrer Wirksamkeit wurde das Gebäude intensiv untersucht. Hierbei wurden Informationen aus Archiven (Stadtarchiv Konstanz, Kreisarchiv Konstanz und Südwestdeutsches Archiv für Architektur und Ingenieurbau) zusammengetragen, die ein breites Bild des Bauablaufs und -geschichte, der verwendeten Baustoffe und der Architektur geben.
Da keine ausführliche Denkmalbegründung vorlag, wurde die Architektur und Gestaltung des Gebäudes separat betrachtet und bewertet.
Monitor Energiewende 2016
(2016)
Jahresbericht 2016
(2016)
Increasing robustness of handwriting recognition using character N-Gram decoding on large lexica
(2016)
Offline handwriting recognition systems often include a decoding step, that is retrieving the most likely character sequence from the underlying machine learning algorithm. Decoding is sensitive to ranges of weakly predicted characters, caused e.g. by obstructions in the scanned document. We present a new algorithm for robust decoding of handwriting recognizer outputs using character n-grams. Multidimensional hierarchical subsampling artificial neural networks with Long-Short-Term-Memory cells have been successfully applied to offline handwriting recognition. Output activations from such networks, trained with Connectionist Temporal Classification, can be decoded with several different algorithms in order to retrieve the most likely literal string that it represents. We present a new algorithm for decoding the network output while restricting the possible strings to a large lexicon. The index used for this work is an n-gram index with tri-grams used for experimental comparisons. N-grams are extracted from the network output using a backtracking algorithm and each n-gram assigned a mean probability. The decoding result is obtained by intersecting the n-gram hit lists while calculating the total probability for each matched lexicon entry. We conclude with an experimental comparison of different decoding algorithms on a large lexicon.
Forum - Ausgabe 2016
(2016)