Make & Model ErkennungUncategorized

Neuronales Netzwerk ist nicht gleich menschliches Gehirn

Deep Learning und die Unterschied zum menschlichen Gehirn

– Teil 3 – Make & Model Erkennung

Aber halt! So einfach es auch klingen mag sich ein riesiges Neuronales Netzwerk zu bilden und es Artificial Intelligents (AI) zu nennen, da dürfen wohl oder übel ein paar Punkte nicht vergessen werden:

Nur eine kurze Liste:

  • Die künstlichen Neuronen feuern ganz anders als ein Gehirn
  • Ein menschliches Gehirn hat 100 Milliarden Neuronen und 100 Billionen Verbindungen (Synapsen) und operiert mit ca. 20 Watt (genug um eine schwache Glühbirne zu betreiben) – im Vergleich dazu hat ein Neuronales Netz nur 10 Millionen Neuronen und 1 Milliarde Verbindungen auf 16.000 CPUs (ungefähr 3 Millionen Watt)
  • Das Gehirn ist beschränkt auf 5 Typen von Input Daten von 5 Sinnen
  • Kinder lernen nicht was ein Auto ist, dadurch dass sie 100.000 Bilder durchsehen welche „Auto“ und „nicht Auto“ gekennzeichnet sind, aber so lernt Machine Learning
  • Wahrscheinlich lernen wir nicht dadurch, dass wir die partielle Abweichung eines jeden Neurons in Beziehung zu unserem initialen Konzept errechnen (weil nebenbei gesagt wir gar nicht wissen wie wir lernen)

Convolutional Neural Networks (CNN) – ein Neuranles Netzwerk

Der Vorteil von CNNs ist, dass sie nicht nur Gewichtung der Features, sondern auch die Features selbst lernen können. Zusätzlich haben CNNs eine hochmoderne Genauigkeit zur generischen Bildklassifizierung erlangt.

Die wichtigste Operation an Convolutional Neural Networks sind die Convolution Layers. Stellen wir uns ein 32x32x3 Bild vor wenn wir dieses mit einem Filter (= Faltmatrix) von 5x5x3 „convolve“ („falten“) (der Filter muss immer die selbe Tiefe haben wir das Input-Bild), ist das Ergebnis ein Aktivierungsmarker von 28x28x1.

Die Faltmatrix sucht nach einem bestimmten Ding auf dem Bild, d.h. es sucht nach einem Muster im gesamten Bild mit nur einem Filter.

Und nun wollen wir dass unser Convolution Layer nach 6 verschiedenen Dingen sucht. Daher hat das Layer sechs 5x5x3 Filter haben. Jeder Filter sucht nach einem bestimmten Muster auf dem Bild.

Nebenbei erwähnt ist die Convoluiton (Faltung) eine lineare Operation, wenn wir wollen das die Faltung auch irgendwann mal aufhört, dann müssen wir am Ende der Convolution Layer ein nichtlineares Layer hinzufügen, normalerweise ein Relu.

Ein anderer vielleicht wichtiger Punkt, ist dass es für die Faltmatrix irrelevant ist wo im Bild sich das Muster befindet. Das Muster wird trotzdem erkannt.

Bild 2 convolve over all spatial locations Kopie
Orientation: 1
« 1 von 3 »

Wo wird Make and Model eingesetzt?

Make and Model Erkennung von Autos ist heutzutage ein gefragtes Element für automatische Vision basierte Systeme, z.B. zur Verkehrsüberwachung oder Überwachungskameras zur Strafverfolgung. Denn durch das gesteigerte Sicherheitsbewusstsein der letzten Jahre sind Zugangskontrollen für Parkplätze, Gebäude oder auch Sperrgebiete immer verbreiteter. In solchen Überwachungssystemen kann ein Videostreaming dem Sicherheitspersonal helfen die Fahrzeuge zu verifizieren, anhand Marke, Modell oder Farbe und dieses Fahrzeug dann über die gesamte Videokamerabandbreite verfolgen.

Beispielsweise ist es für die Strafverfolgungsbehörden Voraussetzung, dass sie ein Auto in Verbindung mit einem Verbrechen bzw. ein verdächtiges Fahrzeug über mehrere Millionen von Verkehrsaufnahmen verfolgen können, und zwar manchmal nur durch Beschreibungen von Augenzeugen. Wenn man von vornherein Make and Model einsetzt dann kann dies Personal sparen und die Überführung des Täters beschleunigen.

Zusätzlich kann MMR (make & model recognition) auch an Grenzübergängen und elektronischen Mautstellen eingesetzt werden. Oder auch in Verkehrskontrolle und -überwachung, für Statistiken Verkehrsdichte/-stärke.

Kurz, Einsatzbereiche für Make and Model sind:

  • Beobachtung und Ermittlung
  • Sicherheitsüberwachung
  • Verkehrsdaten sammeln
  • Strafverfolgung
  • Mautstellen
NPR01
VECID number plate reader with EyeVision Software Screenshot
« 1 von 5 »

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.