more translation

content/project/2021-03-01-coding/index.de.md

@@ -1,8 +1,8 @@
 +++
-title = "Übersetzung: Coding Examples"
+title = "Coding-Beispiele"
 date = 2021-03-01
 authors = ["Aron Petau"]
-description = "A selection of coding projects from my Bachelor's in Cognitive Science"
+description = "Eine Auswahl von Coding-Projekten aus meinem Bachelor in Kognitionswissenschaft"
 
 [taxonomies]
 tags = [
@@ -31,59 +31,59 @@ show_copyright = true
 show_shares = true
 +++
 
-## Neural Networks and Computer Vision
+## Neuronale Netze und Computer Vision
 
-## A selection of coding projects
+## Eine Auswahl von Coding-Projekten
 
-Although pure coding and debugging are often not a passion of mine, I recognize the importance of neural networks and other recent developments in Computer Vision. From several projects regarding AI and Machine Learning that I co-authored during my Bachelor Program, I picked this one since I think it is well documented and explains on a step-by-step basis what we do there.
+Obwohl reines Programmieren und Debugging oft nicht meine Leidenschaft sind, erkenne ich die Bedeutung von neuronalen Netzen und anderen neueren Entwicklungen in der Computer Vision. Aus mehreren Projekten zu KI und maschinellem Lernen, die ich während meines Bachelor-Programms mitentwickelt habe, habe ich dieses ausgewählt, da ich denke, dass es gut dokumentiert ist und Schritt für Schritt erklärt, was wir dort tun.
 
-### Image Super-Resolution using Convolutional Neural Networks (Recreation of a 2016 Paper)
+### Bild-Superauflösung mittels Faltungsneuronaler Netze (Nachbildung einer Arbeit von 2016)
 
-Image Super-Resolution is a hugely important topic in Computer Vision. If it works sufficiently advanced, we could take all our screenshots and selfies and cat pictures from the 2006 facebook-era and even from before and scale them up to suit modern 4K needs.
+Bild-Superauflösung ist ein enorm wichtiges Thema in der Computer Vision. Wenn es ausreichend fortgeschritten funktioniert, könnten wir all unsere Screenshots, Selfies und Katzenbilder aus der Facebook-Ära 2006 und sogar von davor nehmen und sie auf moderne 4K-Anforderungen hochskalieren.
 
-Just to give an example of what is possible in 2020, just 4 years after the paper here, have a look at this video from 1902:
+Um ein Beispiel dafür zu geben, was im Jahr 2020, nur 4 Jahre nach der hier vorgestellten Arbeit, möglich ist, wirf einen Blick auf dieses Video von 1902:
 
 {{ youtube(id="EQs5VxNPhzk") }}
 
-The 2016 paper we had a look at is much more modest: it tries to upscale only a single Image, but historically, it was one of the first to achieve computing times sufficiently small to make such realtime-video-upscaling as visible in the Video (from 2020) or of the likes that Nvidia uses nowadays to upscale Videogames.
+Die von uns betrachtete Arbeit von 2016 ist deutlich bescheidener: Sie versucht nur ein einzelnes Bild hochzuskalieren, aber historisch gesehen war sie eine der ersten, die Rechenzeiten erreichte, die klein genug waren, um solche Echtzeit-Video-Hochskalierung zu ermöglichen, wie du sie im Video (von 2020) siehst oder wie sie Nvidia heutzutage zur Hochskalierung von Videospielen verwendet.
 
-Example of a Super-Resolution Image.
-The Neural network is artificially adding Pixels so that we can finally put our measly selfie on a billboard poster and not be appalled by our deformed-and-pixelated-through-technology face.
+Beispiel einer Super-Resolution-Aufnahme.
+Das neuronale Netz fügt künstlich Pixel hinzu, sodass wir unser bescheidenes Selfie endlich auf einem Werbeplakat platzieren können, ohne von unserem durch Technologie verformten und verpixelten Gesicht entsetzt zu sein.
 
 {% gallery() %}
 [
   {
     "file": "sample_lr.png",
-    "title": "A low-resolution sample",
-    "alt": "A sample image with low resolution, used as a baseline for comparison."
+    "title": "Eine niedrigauflösende Probe",
+    "alt": "Ein Beispielbild mit niedriger Auflösung, das als Vergleichsbasis dient."
   },
   {
     "file": "sample_hr.png",
-    "title": "A high-resolution sample. This is also called 'ground truth'",
-    "alt": "A high-resolution image that serves as the reference ground truth for comparison with other samples."
+    "title": "Eine hochauflösende Probe. Dies wird auch als 'Ground Truth' bezeichnet",
+    "alt": "Ein hochauflösendes Bild, das als Referenz-Ground-Truth für den Vergleich mit anderen Proben dient."
   },
   {
     "file": "sample_sr.png",
-    "title": "The artificially enlarged image patch resulting from the algorithm",
-    "alt": "A sample image where the resolution has been artificially increased using an image enhancement algorithm."
+    "title": "Der künstlich vergrößerte Bildausschnitt, der aus dem Algorithmus resultiert",
+    "alt": "Ein Beispielbild, bei dem die Auflösung künstlich mittels eines Bildverbesserungsalgorithmus erhöht wurde."
   },
   {
     "file": "sample_loss.png",
-    "title": "A graph showing an exemplary loss function applied during training",
-    "alt": "A graph illustrating the loss function used to train the model, showing the model's performance over time."
+    "title": "Ein Graph, der eine exemplarische Verlustfunktion zeigt, die während des Trainings angewendet wurde",
+    "alt": "Ein Graph, der die beim Training des Modells verwendete Verlustfunktion illustriert und die Leistung des Modells im Zeitverlauf zeigt."
   },
   {
     "file": "sample_cos_sim.png",
-    "title": "One qualitative measurement we used was pixel-wise cosine similarity. It is used to measure how similar the output and the ground truth images are",
-    "alt": "A visualization of pixel-wise cosine similarity, used to quantify how similar the generated image is to the ground truth image."
+    "title": "Eine qualitative Messung, die wir verwendeten, war die pixelweise Kosinus-Ähnlichkeit. Sie wird verwendet, um zu messen, wie ähnlich die Ausgabe- und Ground-Truth-Bilder sind",
+    "alt": "Eine Visualisierung der pixelweisen Kosinus-Ähnlichkeit, die verwendet wird, um zu quantifizieren, wie ähnlich das generierte Bild dem Ground-Truth-Bild ist."
   }
 ]
 {% end %}
 
-[The Python notebook for Image super-resolution in Colab]( https://colab.research.google.com/drive/1RlgIKJmX8Omz9CTktX7cdIV_BwarUFpv?usp=sharing)
+[Das Python-Notebook für Bild-Superauflösung in Colab](https://colab.research.google.com/drive/1RlgIKJmX8Omz9CTktX7cdIV_BwarUFpv?usp=sharing)
 
-### MTCNN (Application and Comparison of a 2016 Paper)
+### MTCNN (Anwendung und Vergleich einer Arbeit von 2016)
 
-Here, you can also have a look at another, much smaller project, where we rebuilt a rather classical Machine learning approach for face detection. Here, we use preexisting libraries to demonstrate the difference in efficacy of approaches, showing that Multi-task Cascaded Convolutional Networks (MTCNN) was one of the best-performing approaches in 2016. Since I invested much more love and work into the above project, I would prefer for you to check that one out, in case two projects are too much.
+Hier kannst du auch einen Blick auf ein anderes, viel kleineres Projekt werfen, bei dem wir einen eher klassischen maschinellen Lernansatz für die Gesichtserkennung nachgebaut haben. Hier verwenden wir bestehende Bibliotheken, um die Unterschiede in der Wirksamkeit der Ansätze zu demonstrieren und zu zeigen, dass Multi-task Cascaded Convolutional Networks (MTCNN) einer der leistungsfähigsten Ansätze im Jahr 2016 war. Da ich in das obige Projekt viel mehr Liebe und Arbeit investiert habe, würde ich dir empfehlen, dir dieses anzusehen, falls zwei Projekte zu viel sind.
 
-[Face detection using a classical AI Approach (Recreation of a 2016 Paper)](https://colab.research.google.com/drive/1uNGsVZ0Q42JRNa3BuI4W-JNJHaXD26bu?usp=sharing)
+[Gesichtserkennung mit einem klassischen KI-Ansatz (Nachbildung einer Arbeit von 2016)](https://colab.research.google.com/drive/1uNGsVZ0Q42JRNa3BuI4W-JNJHaXD26bu?usp=sharing)