Anwendungen von Deep Learning für Computer Vision

01.10.2021

Deep Learning + Computer Vision

Bildverarbeitungstechnologien, die auf Deep Learning (DL) basieren, bieten branchenübergreifend einen echten Mehrwert. Solche intelligenten Technologien gibt es schon seit einigen Jahren, aber jetzt werden sie endlich erwachsen und gewinnen an Bedeutung.

In der Tat ist es gerade die Computer Vision, die selbstfahrende Autos überhaupt erst möglich macht. Es gibt jedoch eine Vielzahl von weiteren Möglichkeiten und Anwendungsfällen der Computer Vision, darunter auch die Verbesserung des menschlichen Sehvermögens.

Dabei geht es in erster Linie darum, Computer in die Lage zu versetzen, ihre Umgebung zu verarbeiten und die Welt durch Sehen zu verstehen. Wenn Maschinen die Welt um sie herum verstehen, können sie sich darin zurechtfinden und bessere Entscheidungen treffen.

Bevor wir jedoch die Anwendungen von DL in der Computer Vision diskutieren, sollten wir sie zunächst definieren.

Definition Deep Learning

Deep Learning (DL) ist eine Form der Künstlichen Intelligenz (KI) und des Maschinellen Lernens (ML), die nachahmt, wie Menschen in bestimmten Situationen lernen. Es ist auch ein wichtiges Element der Datenwissenschaft, einschließlich prädiktiver Modellierung und Statistik.

Es gibt drei verschiedene Arten von DL und ML, die zum Trainieren von Algorithmen verwendet werden:

  1. Überwachtes Lernen
  2. Unüberwachtes Lernen
  3. Verstärkendes Lernen

Ziel dieser Trainings ist es, intelligente Algorithmen zu nutzen, um eine vollständige Automatisierung zu ermöglichen und das menschliche Eingreifen zu minimieren. DL steht somit im Mittelpunkt von Innovationen, die eine Leistung auf menschlichem Niveau anstreben oder sogar versuchen, diese zu übertreffen.

Definition Computer Vision

Computer Vision ist der Bereich der künstlichen Intelligenz, der sich darauf konzentriert, Maschinen oder Computern das Sehen zu ermöglichen. Das bedeutet, dass sie Bilder genau wie Menschen erkennen und verarbeiten und eine entsprechende Ausgabe liefern.

In gewisser Weise ist es so, als ob man eine Maschine mit menschlichen Instinkten und Intelligenz ausstattet. Das ist jedoch eine große Herausforderung, denn es ist ziemlich schwierig, Computer dazu zu bringen, verschiedene Bilder von Objekten und Menschen zu erkennen.

Moderne Bildverarbeitungsanwendungen hängen von den folgenden Fähigkeiten und Technologien ab:

  • Objektklassifizierung (zur Zuordnung von Objekten in Videos oder Fotos)
  • Objektlokalisierung zur Lokalisierung eines Objekts innerhalb eines Bildes (durch Zeichnen von Begrenzungsrahmen um das Objekt)
  • Semantische Segmentierung (um jedes Pixel besser verstehen und ihm eine Klassenbezeichnung zuordnen zu können)
  • Instanzsegmentierung für semantische Segmentierung (und Identifizierung mehrerer Instanzen derselben Klasse)

Wenn Unternehmen erfolgreich Maschinen mit Computer Vision betreiben, wird der Computer das, was er sieht, richtig interpretieren, eine Analyse durchführen und entsprechend handeln.

DL-gestützte Computer Vision im Gesundheitswesen

Der Gesundheitssektor ist seit jeher auf dem neuesten Stand der Technik. Dieser Ansatz trägt dazu bei, dass die Branche ständig innovativ ist und den Patienten eine bessere Versorgung bietet. Daher ist es nicht verwunderlich, dass die Computer-Vision-Technologie auch im Gesundheitswesen eingesetzt wird.

Die Computer Vision im Gesundheitswesen hat mehrere Anwendungsfälle. Dazu gehören COVID-19-Diagnose, Krebserkennung, Zellklassifizierung, Maskenerkennung und vieles mehr.

So konnten Forscher am MIT beispielsweise tiefe neuronale Faltungsnetzwerke nutzen und ein System entwickeln, das in kürzester Zeit Weitwinkelaufnahmen der Haut des Patienten analysiert, um Hautkrebs effizient zu erkennen.

Darüber hinaus ermöglicht die DL, die im Bereich des Computer-Visuellings sehr erfolgreich ist, die automatische Verarbeitung medizinischer Bilder. Dieser Ansatz hilft Ärzten, COVID-19 zu diagnostizieren und besser zu verstehen, wie sich die Krankheit entwickelt.

DL-gestützte Computer Vision im Einzelhandel

E-Commerce-Giganten wie Amazon analysieren seit Jahren konsequent das Kundenverhalten auf ihren Plattformen. Dieser Ansatz hilft den Unternehmen, verbesserte Nutzererfahrungen zu liefern.

Obwohl physische Einzelhandelsgeschäfte das gleiche tun und das Einkaufserlebnis im Laden optimieren wollten, war dies bis jetzt nicht möglich. Heute haben wir Tools, die auf DL und Computer Vision basieren und automatisch erfassen, wie Kunden mit den ausgestellten Artikeln interagieren.

In Verbindung mit Gesichtserkennungs-Tools können intelligente Algorithmen schnell das Geschlecht, die Altersgruppe, die Emotionen und vieles mehr des Kunden bewerten. In Verbindung mit Passantenzählern und Sicherheitskameras können Sie auch das Kundenverhalten in einem Geschäft verfolgen.

Durch die Beobachtung von Verweilzonen und Browsing-Mustern können Einzelhändler neue Möglichkeiten zur Steigerung von Umsatz und Ertrag erkennen. Die aus diesen Daten gewonnenen Erkenntnisse können die Geschäftsleitung auch dazu veranlassen, das Geschäft umzugestalten, Produktempfehlungen zu geben und vieles mehr. Ladenbesitzer können dieselben Tools auch nutzen, um die Bewegungen und die Produktivität des Personals zu verfolgen (z.B. um Mitarbeitende in Bereichen einzusetzen, in denen sie am meisten gebraucht werden).

Computer Vision kann auch dazu beitragen, Self-Checkouts und die Bestandsverwaltung in Echtzeit zu verbessern bzw. zu optimieren sowie Empfehlungen mit Hilfe virtueller Spiegel zu geben (z.B. mit Hilfe des Bourjois Magic Mirror).

Weitere Vorteile der Computer Vision im Einzelhandel sind:

  • Entdeckung von Marketing- und Werbemöglichkeiten (z. B. in Wohngebieten)
  • Durchsetzung von sozialen Distanzierungsprotokollen
  • Produktivitätsanalyse (Verfolgung des Zeit- und Ressourceneinsatzes der Mitarbeiter)
  • Qualitätssicherung und -management
  • Diebstahlserkennung in Echtzeit
  • Schulung von Fertigkeiten
  • Analyse von Wartezeiten (einschließlich Erkennung von Warteschlangen)

Wenn all dies perfekt zusammenpasst, haben Sie ein leistungsstarkes Geschäft mit zufriedenen Kunden.

DL-gestützte Computer Vision in der Automobilindustrie

Wir können nicht wirklich über DL, ML und Computer Vision sprechen, ohne die Automobilindustrie zu erwähnen. Unternehmen arbeiten schon seit Jahrzehnten an autonomen Fahrzeugen, aber selbstfahrende Autos waren bis vor kurzem noch weit von der Realität entfernt. Heute ist es wahrscheinlich die einzige Anwendung von Computer Vision, die die meiste Aufmerksamkeit in den Medien erhalten hat.

Obwohl autonome Autos mit ML-Algorithmen ausgestattet sind, ist es die Computer Vision, die ein sicheres Fahren ermöglicht. In diesem Szenario ist der “Agenten”-Algorithmus, der die Kraftfahrzeuge steuert, stets über die Umgebung des Fahrzeugs informiert.

Indem es die Straße, andere Fahrzeuge in der Nähe und den Abstand zwischen potenziellen Objekten und Hindernissen “sieht”, kann es Berechnungen anstellen und sich an seine sich ständig verändernde Umgebung anpassen.

DL und Computer Vision im Transportsektor finden Sie auch in den folgenden KI-gestützten Protokollen:

  • Automatisierte Nummernschilderkennung
  • Systeme zur Kollisionsvermeidung
  • Abgelenktes Fahren
  • Erkennung der Fahreraufmerksamkeit
  • Bewertung des Zustands der Infrastruktur
  • Erkennung von Verkehrsverstößen
  • Erkennung der Belegung von Parkplätzen
  • Fußgängererkennung
  • Überwachung des Straßenzustands
  • Analyse des Verkehrsflusses
  • Erkennung von Verkehrszeichen
  • Fahrzeugklassifizierung
  • Re-Identifizierung von Fahrzeugen

Zu den wichtigsten Werkzeugen für die Computer Vision gehören:

  • Amazon Rekognition
  • CUDA
  • MATLAB
  • OpenCV
  • SimpleCV
  • TensorFlow

Unabhängig vom Anwendungsfall und den verwendeten Tools hängt der Erfolg Ihrer Anwendung von den KI Trainingsdaten ab. Je besser die Daten sind, desto größer ist die Chance, eine erfolgreiche DL-gesteuerte Bildverarbeitungsanwendung zu entwickeln.

In diesem Fall müssen die Trainingsdaten, die intelligente Algorithmen zum Lernen verwenden, allumfassend und repräsentativ für den Planeten sein, auf dem wir leben. Das ist entscheidend, denn je mehr Maschinen die Welt um sich herum genau erkennen können, desto geringer ist die Fehlerwahrscheinlichkeit.

Tipp:

Möchten Sie unser globales Netzwerk von Clickworkern nutzen, um Ihre Trainingsdaten erstellen zu lassen? Wir können helfen! Egal, ob Sie

benötigen, wir unterstützen Sie bei Ihrem Vorhaben.

 

Dieser Artikel wurde am 01.October 2021 von Andrew Zola geschrieben.

avatar

Andrew Zola




Leave a Reply