TY  - CHAP
A1  - Scholl, Ingrid
A1  - Schubert, Nicole
A1  - Ziener, Pascal
A1  - Pietrzyk, Uwe
T1  - GPU-basiertes Volumenrendering von multimodalen medizinischen Bilddaten in Echtzeit
T2  - Bildverarbeitung für die Medizin 2010
N2  - Die vorliegende Arbeit zeichnet sich dadurch aus, dass registrierte unsegmentierte Volumina aus multimodalen Bilddatensätzen (z.B. MRT, PET) gleichzeitig in einer 3D-Rekonstruktion visualisiert werden und in Echtzeit manipuliert werden können. Ermöglicht wird die Echtzeitfähigkeit durch die Programmierung der Algorithmen zur direkten Volumenvisualisierung auf der Grafikkarte mittels der neuen CUDA-Technologie. Die Zuordnung der Farbeigenschaften wird über 1D-Transferfunktionen für jedes Volumen getrennt gesteuert. So können durch die interaktive Veränderung der 1D-Transferfunktion Detailinformationen aus den zwei Bilddatensätzen getrennt kontrolliert werden und die Vorteile der verschiedenen Bildmodalitäten in einer Visualisierung genutzt werden. Mittels dieses interaktiven Frameworks können neue Erkenntnisse insbesondere über neurodegenerativen Erkrankungen gewonnen werden.
Y1  - 2010
SN  - 978-3-642-11967-5
N1  - Bildverarbeitung für die Medizin 2010 - Algorithmen - Systeme - Anwendungen, Aachen, Germany, March 14-16, 2010
SP  - 400
EP  - 404
PB  - Springer
CY  - Berlin
ER  - 
TY  - BOOK
A1  - Scholl, Ingrid
ED  - Lehmann, Thomas Martin
ED  - Spitzer, Klaus
T1  - Bildverarbeitung für die Medizin : Algorithmen - Systeme - Anwendungen ; proceedings des Aachener Workshops am 8. und 9. November 1996 / Institut für Medizinische Informatik und Biometrie der RWTH Aachen. Hrsg. von Thomas Lehmann ;  Ingrid Scholl ; Klaus Spitzer
Y1  - 1996
SN  - 3-86073-519-5
PB  - Verlag der Augustinus-Buchhandlung
CY  - Aachen
ER  - 
TY  - CHAP
A1  - Ferrein, Alexander
A1  - Nikolovski, Gjorgji
A1  - Limpert, Nicolas
A1  - Reke, Michael
A1  - Schiffer, Stefan
A1  - Scholl, Ingrid
ED  - Küçük, Serdar
T1  - Controlling a Fleet of Autonomous LHD Vehicles in Mining Operation
T2  - Multi-Robot Systems - New Advances
N2  - In this chapter, we report on our activities to create and maintain a fleet of autonomous load haul dump (LHD) vehicles for mining operations. The ever increasing demand for sustainable solutions and economic pressure causes innovation in the mining industry just like in any other branch. In this chapter, we present our approach to create a fleet of autonomous special purpose vehicles and to control these vehicles in mining operations. After an initial exploration of the site we deploy the fleet. Every vehicle is running an instance of our ROS 2-based architecture. The fleet is then controlled with a dedicated planning module. We also use continuous environment monitoring to implement a life-long mapping approach. In our experiments, we show that a combination of synthetic, augmented and real training data improves our classifier based on the deep learning network Yolo v5 to detect our vehicles, persons and navigation beacons. The classifier was successfully installed on the NVidia AGX-Drive platform, so that the abovementioned objects can be recognised during the dumper drive. The 3D poses of the detected beacons are assigned to lanelets and transferred to an existing map.
Y1  - 2023
SN  - 978-1-83768-290-4
U6  - https://doi.org/10.5772/intechopen.113044
PB  - Intech Open
CY  - London
ER  -