TY - THES U1 - Bachelor Thesis A1 - Philippczyk, Yann T1 - Implementing Deep Learning Object Recognition on NAO N2 - Deep learning methods have proven highly effective for object recognition tasks, especially in the form of artificial neural networks. In this bachelor’s thesis, a way is shown to imple- ment a ready-to-use object recognition implementation on the NAO robotic platform using Convolutional Neural Networks based on pretrained models. Recognition of multiple objects at once is realized with the help of the Multibox algorithm. The implementation’s object recognition rates are evaluated and analyzed in several tests. Furthermore, the implementation offers a graphical user interface with several options to adjust the recognition process and for controlling movements of the robot’s head in order to easier acquire objects in the field of view. Additionally, a dialogue system for querying further results is presented. N2 - "Deep Learning" Ansätze haben sich für die Objekterkennung als sehr effektiv erwiesen, insbesondere in der Form künstlicher neuronaler Netze. Im Rahmen der vorliegenden Bach- elorthesis wird aufgezeigt, wie eine einsatzbereite Objekterkennung auf NAO Robotern mit Convolutional Neural Networks implementiert werden kann, basierend auf vortrainierten Mod- ellen. Die gleichzeitige Erkennung mehrerer Objekte wird mit dem Multibox-Algorithmus re- alisiert. Die Erkennungsraten der Implementierung werden in Tests evaluiert und analysiert. Außerdem stellt die Implementierung eine grafische Benutzeroberfläche zur Verfügung, die Möglichkeiten zur Anpassung des Objekterkennungsprozess und zur Steuerung des Roboterkopfes bietet, um Objekte leichter im Blickfeld erfassen zu können. Zuzüglich wird ein Dialogsystem zur Abfrage der Erkennungsergebnisse vorgestellt. KW - object recognition KW - nao KW - deep learning KW - caffe framework KW - artificial neural networks Y2 - 2016 U6 - https://nbn-resolving.org/urn:nbn:de:bsz:900-opus4-53948 UN - https://nbn-resolving.org/urn:nbn:de:bsz:900-opus4-53948 ER -