Deep Learning

Künstliche Intelligenz

Künstliche Intelligenz besteht aus mehreren Teilbereichen, wobei maschinelles Lernen sicherlich einer der wesentlichsten davon ist. Es geht darum Muster oder Strukturen durch Parameter von entsprechenden Optimierungsalgorithmen so gut als möglich zu „erlernen“, um diese in weiterer Folge wiederzuerkennen. Seit den 1950er Jahren haben sich unterschiedlichste mathematische Lösungsansätze für diese Aufgabenstellung entwickelt. Ein Teilgebiet dieser Entwicklung bilden die künstlichen neuronalen Netze. Dieses Untergebiet des „Machine Learning“, versucht durch mathematische Funktionen die Eigenschaften von biologischen neuronalen Netzen zu imitieren. Der Denkansatz, dass man die Funktionen des menschlichen Gehirnes modellhaft in einzelne Verarbeitungsschritte (Algorithmen) zerlegt und diese mit Hilfe der Methoden der Mathematik und Physik nachempfindet, bildet die Grundidee der „künstlichen Intelligenz”.

Als wesentliche Innovation des Deep Learning kann die Verwendung von immer tieferen (=deep) werdenden Netzen angesehen werden. Nach frühen theoretischen Erfolgen in den 1960er Jahren feiert Deep Learning heute mit dem Vorhandensein der nötigen Rechenleistung einen neuen Boom. Durch die neue Einsatzmöglichkeiten aufgrund mehr Rechenleistung überholen die Vorteil von Deep Learning andere Machine Learning Verfahren.

Vorteile von Deep Learning

Die großen Vorteile von Deep Learning bestehen darin, dass der Feature-Space durch das Training (also aus den Daten) gelernt wird und dass Deep Neural Networks extrem viele Parameter besitzen. So können beliebig komplexe Funktionen erlernt werden können. Beim traditionellem Machine Learning sind die Merkmale (der „Feature Space“) durch den Experten vorgegeben und die Anzahl der Parameter kann nicht beliebig skaliert werden. In der allgemeine Personenerkennung bedeutet das zum Beispiel, dass stehende Personen zwar erkannt werden aber sitzender Person in einem Rollstuhl „übersehen“ werden könnten. Deep Learning eignet sich vor allem für komplexe Probleme, wie sie für gewöhnlich in einer unkontrollierten Umgebung auftreten. Am Beispiel der Oberflächenprüfung kann dadurch bei weitem besser mit Reflexionen, Spiegelungen oder Verschmutzungen umgegangen werden.

Deep Learning Einsatz bei EYYES

Wir setzen Deep Learning ein um komplexe Probleme der Bildverarbeitung im Bereich Railway, Automotive und Industrie lösen, wo sich Umgebungseinflüsse und Variationen nie vollständig kontrollieren lassen. Die Bildverarbeitung hat durch Deep Learning einen regelrechten Sprung in der Qualität als auch in der Robustheit erreicht. Somit können heute Objekterkennungen in Echtzeit durchgeführt werden. Kameras bieten hier klare Vorteile gegenüber anderen Sensoren wie Radar, Lidar oder ähnlichem. Unsere Technologie der Objekterkennung und Klassifizierung ermöglicht neue Anwendungsfälle für Fahrassistenzsysteme und autonomes Fahren.

EYYES Net

Das EYYES Net ist ein flexibel einsetzbares neuronales Netz das speziell für die Erkennung von Objekten im Straßenverkehr entwickelt wurde. Es kann für alle Arten von Anwendungen in der Fahrassistenz eingesetzt werden. Mit dem EYYES Net kann ein Kamera Monitor System mit High Performance Deep Learning mit „Intelligenz“ aufgerüstet werden.

Das EYYES Net ist ein vortrainiertes neuronales Netz das folgende Objekte erkennen und klassifizieren kann:

  • Fußgänger (Erwachsene, Kinder)
  • Radfahrer
  • Autos
  • Lastwagen
  • Ampelsignalerkennung
  • Verkehrszeichen-Erkennung
  • Fahrspur-Erkennung

EYYES Net Use Cases

Das EYYES Net kann für folgende Anwendungen verwendet werden:

  • Digitaler Außenrückspiegel mit KI für proaktive Fahrerwarnungen in allen Verkehrssituationen
  • UNECE R151 BSIS: Blind Spot Information System with a minimum levels of faults positive alarms
  • UNECE WP29 MOIS: Move Of Information System
  • Vogelperspektiven
  • Spurwechselassistenten
  • Erkennen von sich bewegenden Objekten wie Fußgängern, Radfahrern, Pkw, Lkw, um Abstände einzuhalten und bei Gefahr in die Fahrerassistenz einzugreifen

Das EYYES Framework

Mit dem modularen EYYES Framework sind wir in der Lage innerhalb kurzer Zeit Pototypen für Videoverarbeitungssysteme umzusetzen. Enthalten sind Module für Deep Learning, in denen trainierte Modele eingesetzt werden können. Module können beliebig verknüpft und wiederverwendet werden. Es existieren bereits Module für unterschiedlichste Anwendungen und dieser Baukasten wird laufend erweitert.