Bronze
Refine
Year of publication
Document Type
- Conference Proceeding (129)
- Report (11)
- Contribution to a Periodical (7)
- Working Paper (6)
- Doctoral Thesis (3)
- Patent (2)
- Article (reviewed) (1)
- Book (1)
- Part of a Book (1)
- Periodical Part (1)
Keywords
- Mikroelektronik (60)
- injury (9)
- biomechanics (5)
- running (5)
- ACL (4)
- Machine Learning (4)
- Mobile Learning (3)
- Robustness (3)
- sport (3)
- Android (2)
Institute
- Fakultät Elektrotechnik und Informationstechnik (E+I) (bis 03/2019) (90)
- Fakultät Maschinenbau und Verfahrenstechnik (M+V) (32)
- Fakultät Elektrotechnik, Medizintechnik und Informatik (EMI) (ab 04/2019) (22)
- IMLA - Institute for Machine Learning and Analytics (10)
- Fakultät Betriebswirtschaft und Wirtschaftsingenieurwesen (B+W) (7)
- INES - Institut für nachhaltige Energiesysteme (bis 18.11.2021: Institut für Energiesystemtechnik) (7)
- Fakultät Medien (M) (ab 22.04.2021) (6)
- ivESK - Institut für verlässliche Embedded Systems und Kommunikationselektronik (4)
- Fakultät Medien und Informationswesen (M+I) (bis 21.04.2021) (2)
- IaF - Institut für angewandte Forschung (bis 24.03.2021) (2)
promoted by (select)
Open Access
- Bronze (163)
- Open Access (163)
Abstract: Impact of running speed and slope on instantaneous and average vertical loading rates
(2022)
The majority of anterior cruciate ligament (ACL) injuries in team sports are non-contact injuries, with cutting maneuvers identified as high-risk tasks. Young female handball players have been shown to be at greater risk for ACL injuries than males. One risk factor for ACL injuries is the magnitude of the knee abduction moment (KAM). Cutting technique variables on foot placement, overall approach and knee kinematics have been shown to influence the KAM. Since injury risk is believed to increase with increasing task complexity, the purpose of the study was to test the effect of task complexity on technique variables that influence the KAM in female handball players during fake-and-cut tasks.
In dem Projekt BioMeth wurde der Ansatz der Membranbegasung zur Erhöhung der Verfügbarkeit von gelöstem Wasserstoff für die biologische Methanisierung im Sinn der Etablierung eines Power-to-Gas-Konzeptes zur Energiespeicherung verfolgt. Übergeordnetes Ziel war die Entwicklung eines skalierbaren Verfahrenskonzeptes, dass sich zur Nutzung CO2-haltiger Gasvolumenström eignet. Geplant war es, das Verfahren am Beispiel der Biogasanlage der Biokäserei Monte-Ziego in Teningen zu demonstrieren und dort das bestehende Konzept der parallelen Abwasseraufbereitung und Energieerzeugung zu erweitern. Die ursprüngliche Struktur des Arbeitspaketplanes ist in nachfolgender Abbildung gezeigt.
Dort, wo Modelle der operativen Energiesystemanalyse untereinander Überschneidungen aufweisen, stellt sich zunächst die Frage, ob sie bei gleichgearteten Fragestellungen auch die gleichen Antworten liefern. Dies zu beantworten war erstes Ziel des hier beschriebenen Vorhabens. Das zweite Ziel war, im Falle von Differenzen zu ermitteln, worin diese begründet liegen. Es waren nicht nur die Modelle selbst, sondern auch das methodische Vorgehen zur Modellerstellung und Simulation in Betracht zu ziehen. Die darauf aufbauende Identifikation von individuellen Optimierungspotenzialen war das dritte Ziel. Da die operative Energiesystemanalyse noch ein recht junger Forschungsbereich ist, existiert darüber hinaus Klärungsbedarf, welches Modell sich für welche Untersuchungen besonders eignet und welches methodische Vorgehen sich empfiehlt. Die Beantwortung dieser Fragen stellte das vierte Ziel des Vorhabens dar.
Convolutional neural networks (CNN) define the state-of-the-art solution on many perceptual tasks. However, current CNN approaches largely remain vulnerable against adversarial perturbations of the input that have been crafted specifically to fool the system while being quasi-imperceptible to the human eye. In recent years, various approaches have been proposed to defend CNNs against such attacks, for example by model hardening or by adding explicit defence mechanisms. Thereby, a small “detector” is included in the network and trained on the binary classification task of distinguishing genuine data from data containing adversarial perturbations. In this work, we propose a simple and light-weight detector, which leverages recent findings on the relation between networks’ local intrinsic dimensionality (LID) and adversarial attacks. Based on a re-interpretation of the LID measure and several simple adaptations, we surpass the state-of-the-art on adversarial detection by a significant margin and reach almost perfect results in terms of F1-score for several networks and datasets. Sources available at: https://github.com/adverML/multiLID