analyse dynamischer szenen mit lstm - haw hamburgubicomp/... · 2017. 5. 10. · i. sato & h....
TRANSCRIPT
![Page 1: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/1.jpg)
Analyse dynamischer
Szenen mit LSTMPatrick Nagorski
Master Informatik - Grundseminar SS17Betreuer: Prof. Dr. Andreas Meisel
02.05.2017
![Page 2: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/2.jpg)
Gliederung
Motivation
Grundlagen
LSTM-Netze
Verwandte Arbeiten
Ausblick
Konferenzen
2
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 3: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/3.jpg)
Motivation
Wie bin ich zu diesem Thema gekommen?
WP – Robot Vision
Gespräch mit Betreuer
3
Quelle: [01]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 4: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/4.jpg)
Grundlagen - Maschinelles Lernen
künstliche Generierung von Wissen aus Erfahrung
Lernen: aus Bekanntem auf Unbekanntes schließen (neuronales Netz)
künstliches System lernt aus (vielen) Beispielen
Ziel nach Beendigung der Lernphase -> Beispiele verallgemeinern
4Quelle: [02]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 5: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/5.jpg)
Grundlagen - Das Neuron
5
Quelle: [03]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 6: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/6.jpg)
Grundlagen - Arten neuronaler Netze
6
Eigenschaften Feedforward-Netz:- Kein Gedächtnis- Ausgangssignale abhängig nur von
Eingangssignalen
Eigenschaften rekurrentes neuronales Netz:- Rückkopplung- Gedächtnis- Ausgangssignale abhängig von Eingangssignalen und
von der zeitlichen Vorgeschichte- Nur kurze Zeiträume -> LSTM!
Feedforward-Netz: Rekurrentes neuronales Netz:
Quelle: [04]
Quelle: [05]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 7: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/7.jpg)
Grundlagen - Beispiel eines neuronalen Netzes
7
Quelle: [06]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 8: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/8.jpg)
Grundlagen - Arten des maschinellen Lernens
Überwachtes Lernen (engl. supervised learning) Algorithmus lernt eine Funktion aus gegebenen Paaren von
Ein- und Ausgaben
während des Lernens „Lehrer“, der den korrekten Funktionswert zu einer Eingabe bereithält
Ablauf: Anlegen der Eingabe
Verarbeitung der Eingabe
Vergleich der Ausgabe mit dem erwünschten Wert (Fehler)
Verkleinern des Fehlers durch Modifikation der Gewichte
Ergebnis nach Training: Unbekannte ähnliche Eingabe -> korrekte Ausgabe
8
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 9: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/9.jpg)
LSTM-Netze (Long short-term memory)
9
Eigenschaften LSTM-Netz:- Sowohl kurze, als auch lange Zeiträume zwischen Ursache und
Wirkung- Löschen nicht mehr benötigter Informationen
Quelle: [07]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 10: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/10.jpg)
Verwandte Arbeiten
Social LSTM: Human Trajectory Prediction in Crowded Spaces (2016)
Real-Time Pedestrian Detection With Deep Network Cascades (2015)
A Real-Time Pedestrian Detector using Deep Learning for Human-Aware Navigation (2016)
10
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 11: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/11.jpg)
Social LSTM: Human Trajectory Prediction in Crowded Spaces (2016)
11
Quelle: [08]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 12: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/12.jpg)
Social LSTM: Human Trajectory Prediction in Crowded Spaces (2016)
12
Quelle: [08]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 13: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/13.jpg)
Social LSTM: Human Trajectory Prediction in Crowded Spaces (2016)
13
Quelle: [08]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 14: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/14.jpg)
Social LSTM: Human Trajectory Prediction in Crowded Spaces (2016)
14
Quelle: [08]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 15: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/15.jpg)
Social LSTM: Human Trajectory Prediction in Crowded Spaces (2016)
15
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
Quelle: [08]
![Page 16: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/16.jpg)
Real-Time Pedestrian Detection With Deep Network Cascades (2015)
16
Quelle: [09]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 17: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/17.jpg)
Real-Time Pedestrian Detection With Deep Network Cascades (2015)
17
Quelle: [09]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 18: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/18.jpg)
A Real-Time Pedestrian Detector using Deep Learning for Human-Aware Navigation (2016)
18
Quelle: [10]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 19: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/19.jpg)
A Real-Time Pedestrian Detector using Deep Learning for Human-Aware Navigation (2016)
19
Quelle: [10]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 20: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/20.jpg)
A Real-Time Pedestrian Detector using Deep Learning for Human-Aware Navigation (2016)
20
Quelle: [10]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 21: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/21.jpg)
A Real-Time Pedestrian Detector using Deep Learning for Human-Aware Navigation (2016)
21
Quelle: [10]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 22: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/22.jpg)
A Real-Time Pedestrian Detector using Deep Learning for Human-Aware Navigation (2016)
23
Quelle: [10]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 23: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/23.jpg)
A Real-Time Pedestrian Detector using Deep Learning for Human-Aware Navigation (2016)
24
Quelle: [10]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 24: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/24.jpg)
Probleme aus verwandten Arbeiten
Trefferquote verbessern
Zusätzliche Sensorinfomationen
Multi LSTM-Netze -> Abstimmung
Genauigkeit vs. Performance (Echtzeit)
Kamera im Auto
Hardware eingeschränkt
Geschwindigkeit des Autos
Extrahieren zusätzlicher Informationen
25
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 25: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/25.jpg)
Probleme aus verwandten Arbeiten
26
Quelle: [11]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 26: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/26.jpg)
Probleme aus verwandten Arbeiten
27
Quelle: [11]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 27: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/27.jpg)
Probleme aus verwandten Arbeiten
28
Quelle: [11]
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 28: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/28.jpg)
Ausblick Tieferes Verständnis von LSTM-Netzen erlangen
Aussuchen und Kennenlernen der Werkzeuge
Tensorflow (Google)
https://www.tensorflow.org/
CNTK - Microsoft Cognitive Toolkit (Microsoft)
https://www.microsoft.com/en-us/research/product/cognitive-toolkit/
Caffe
http://caffe.berkeleyvision.org/
Keras
https://keras.io/
Trainingsumgebung kennenlernen
Datensammlung - 250.000 Bilder von Fußgängern
Caltech Pedestrian Detection Benchmark
http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/
29
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 29: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/29.jpg)
Ausblick
Generierung eigener dynamischer Systeme (Matlab)
Kein Problem bezüglich Trainingsdaten
Fußgängererkennung in Sequenzen -> LSTM
Eigentliches Problem
30
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 30: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/30.jpg)
Konferenzen
The AI Summit - 9.-10. Mai 2017 - London
https://theaisummit.com/london/
Deep learning for object detection and neural network deployment - Alison Lowndes (NVIDIA) - 23. Mai 2017 - London
https://conferences.oreilly.com/strata/strata-eu/public/schedule/detail/57754
The AI Conference - 2. Juni 2017 - San Francisco
https://aiconference.ticketleap.com/helloworld/details
AI and Machine Learning World 2017 - 13.-15. Juni 2017 - London
https://tmt.knect365.com/ai-machine-learning-world/
31
Gliederung - Motivation - Grundlagen - LSTM-Netze - Verwandte Arbeiten - Ausblick – Konferenzen
![Page 31: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/31.jpg)
Quellen - Literatur
A. Alahi et al., Social LSTM: Human Trajectory Prediction in Crowded Spaces, 2016
A. Angelova et al., Real-Time Pedestrian Detection With Deep Network Cascades, 2015
D. Ribeiro, A Real-Time Pedestrian Detector using Deep Learning for Human-Aware Navigation, 2016
I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level-Up Automotive Safety, 2014
V. Gomez, Object Detection for Autonomous Driving Using Deep Learning, 2015
T. Chen, Going Deeper with Convolutional Neural Network for Intelligent Transportation, 2015
A. Meisel, Vorlesungsfolien - Robot Vision, 2015
A Beginner’s Guide to Recurrent Networks and LSTMs - https://deeplearning4j.org/lstm.html
32
![Page 32: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/32.jpg)
Quellen - Bilder
[01] https://www.iis.fraunhofer.de/de/ff/lok/proj/kotag.html
[02] https://www.intergator.de/2016/11/01/deep-learning-der-generalschluessel-fuer-dokumentanalysen-teil-2/
[03] https://de.wikipedia.org/wiki/K%C3%BCnstliches_Neuron
[04] https://de.wikipedia.org/wiki/Deep_Learning
[05] https://de.wikipedia.org/wiki/Rekurrentes_neuronales_Netz
[06] http://fortune.com/ai-artificial-intelligence-deep-machine-learning/
[07] https://deeplearning4j.org/lstm.html
[08] A. Alahi et al., Social LSTM: Human Trajectory Prediction in Crowded Spaces, 2016
[09] A. Angelova et al., Real-Time Pedestrian Detection With Deep Network Cascades, 2015
[10] D. Ribeiro, A Real-Time Pedestrian Detector using Deep Learning for Human-Aware Navigation, 2016
[11] I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level-Up Automotive Safety, 2014
33
![Page 33: Analyse dynamischer Szenen mit LSTM - HAW Hamburgubicomp/... · 2017. 5. 10. · I. Sato & H. Niihara, Beyond Pedestrian Detection: Deep Neural Networks Level -Up Automotive Safety,](https://reader033.vdocuments.site/reader033/viewer/2022051900/5fee6cad5d77a11e0f03dc7d/html5/thumbnails/33.jpg)
Danke für Ihre Aufmerksamkeit!Gibt es noch Fragen?
34