Projekte

Aus den Merkmalen von Gesichtsbildern werden mittels maschinellem Lernen Gesichtsbilder nichtexistierender Personen (GAN-Bilder) generiert. Im Rahmen des polizeilichen Ermittlungsprozesses wird das Gesichtsbild einer angeschuldigten Person mit ähnlichen GAN-Bildern in einem Fotobogen zusammengestellt. Zeugen werden aufgefordert, das Gesichtsbild der angeschuldigten Person zu bezeichnen. Das Ziel des Projektes ist:

• – GAN-Bilder zu erstellen, die von lebenden Personen in ihrer Qualitätsausprägung nicht zu unterscheiden sind
• – GAN-Bilder mittels einer definierten Schlagwortwahl zu inventarisieren
• – Eine bedienerfreundliche Software zu entwickeln, welche eine passende Auswahl an GAN-Bildern vorschlägt und eine davon selektierte Auswahl in einem Fotobogen zusammenstellt

Die postmortale Computertomographie (PMCT) gehört zu den Routineverfahren in der Rechtsmedizin. Die Transformation der immensen Datenmenge in zwei- oder dreidimensionale Bilder und die Lokalisierung von Auffälligkeiten bedarf enormer Rechenleistungen sowie Zeit der Pathologen für eine Befundwertung. Ziel des Projektes ist mit Hilfe von Deep Learning Methoden die folgenden Anwendungen zu automatisieren:

• – Die Segmentierung von volumetrischen Daten postmortaler Computertomographie Bilder
• – Die Lokalisierung und die Charakterisierung von Knochenbrüchen
• – Die Einschätzung von Fäulnis direkt auf PMCT Bilder zu erkennen

Forensisch relevante Verletzungen müssen mit Fotos dokumentiert und durch die Rechtsmedizin beurteilt werden. Ziel des Projektes ist die automatisierte Erkennung von Verletzungen auf diesen Bildern mit Hilfe von Deep Learning Methoden. Dies dient auch der automatisierten Erstellung kurzer Wundbschreibungen, welche unter anderem Wundklasse, Länge, Breite und Fläche der einzelnen Wunden darlegen sollen.

Der Vergleich von gemessenen Spektren von Spuren gehört zu den Routine-Hauptaufgaben der forensischen Untersuchungen. Es interessiert schlussendlich, ob zwei Spektren von zwei Spuren gleich oder unterschiedlich sind und auch welcher Gruppe von Materialen sie zugehören. Am Beispiel von Rückständen von Haargels ab Schlaggegenständen oder Schuhen mit den Rückständen von Haargel aus den Haaren von Opfern sowie Haargels aus Originalverpackungen soll mit Hilfe von Maschinellem Lernen eine numerische Klassifizierung erarbeitet werden. Als Untersuchungstechnik werden die äusserst selektiven und strukturerkennungsstarken spektroskopischen Analysetechniken “Raman” und “FT-IR” eingesetzt.

Die Erstellung von Phantombildern ist eine komplexe und interdisziplinäre Angelegenheit. Es geht um die Visualisierung eines Gesichtes aus der Erinnerung einer betroffenen Person oder Zeugen durch eine Fachperson. Dieser mehrfache Transfer bzw. Übersetzung aus einer verbalisierten Beschreibung von Gesichtsmerkmalen in ein Bild ist anspruchsvoll. Das Projekt setzt erst bei der Fachperson an, welche die geschilderten Gesichtsmerkmale aus einer schlagworthinterlegten Datenbank zu einem Bild zusammensetzt. Der Algorithmus generiert Gesichtsbilder aus bereits schlagworthinterlegten Bildern und kann durch die Fachperson auch noch geändert/variiert werden. Das Phantombild als Resultat stellt immer nichtexistierende Personen dar.

Nach Schüssen auf einen Menschen können je nach Umständen (Waffe, Kaliber, Schussrichtung, Schussdistanz, Bekleidung etc.) Blutrückspritzer (kleine Blutstropfen, entgegen der Schussrichtung aus der Projektileintrittswunde herausspritzend) entstehen, die sich auf der Waffe und auf den Händen des Schützen niederschlagen. Um mit maschinellem Lernen vorhersagen zu können, ob solche zu erwarten sind, werden Daten erhoben und entsprechend ausgewertet. Solche Vorhersagen können helfen, Tatabläufe bei Schusswaffendelikten zu klären.