Bilderkennung mithilfe von maschinellem Lernen – Schulungs-Ppt

Folie 1

Auf dieser Folie wird die Bilderkennung vorgestellt. Das Finden von interessanten Objekten in einem Bild und die Bestimmung, zu welcher Kategorie sie gehören, wird als Bilderkennung bezeichnet.

Hinweise für den Kursleiter: Die Bilderkennung ist eine Computer-Vision-Anwendung, die Aufgaben wie Objekterkennung, Bildidentifizierung und Bildkategorisierung umfasst.

Folie 2

Auf dieser Folie wird die Funktionsweise der Bilderkennung mithilfe von maschinellem Lernen erläutert. Techniken des maschinellen Lernens werden verwendet, um verborgenes Wissen aus einem Datensatz mit guten und schlechten Proben herauszufinden und so Bilder zu erkennen.

Hinweise des Dozenten: In Kombination mit robuster KI-Technologie und GPUs ermöglicht Deep Learning erhebliche Fortschritte im Bereich der Bilderkennung. Bildklassifizierungs- und Gesichtserkennungsalgorithmen mit Deep Learning erreichen bei der Objekterkennung in Echtzeit eine Leistung auf menschlichem Niveau.

Folie 3

Diese Folie veranschaulicht Bilderkennungsmodelle für maschinelles Lernen wie Support Vector Machines, Bag of Features-Modelle und den Viola Jones-Algorithmus.

Hinweise des Dozenten:

• Support Vector Machines: SVMs funktionieren, indem sie Histogramme von Bildern erstellen, die die Zielelemente enthalten können oder nicht. Als nächstes vergleicht das Programm die trainierten Histogrammwerte mit denen von Teilen des Testbilds, um festzustellen, ob es Übereinstimmungen gibt
• Bag-of-Features-Modelle: Bag-of-Feature-Modelle wie Scale Invariant Feature Transformation (SIFT) und Maximally Stable Extremal Regions (MSER) funktionieren, indem sie ein Bild scannen und es mit einem Referenzfoto des zu entdeckenden Objekts vergleichen. Anschließend gleicht das Modell die Merkmale des Beispielfotos mit Regionen des Zielbilds ab, um festzustellen, ob es Übereinstimmungen gibt
• Viola-Jones-Algorithmus: Viola-Jones scannt die Gesichter von Personen und extrahiert Merkmale, die dann in einen Boosting-Klassifikator eingespeist werden. Als Ergebnis werden verstärkte Klassifikatoren erstellt und zur Überprüfung von Testfotos verwendet. Ein Testbild muss bei jedem Klassifikator ein positives Ergebnis liefern, um eine erfolgreiche Übereinstimmung zu finden

Folie 4

Diese Folie zeigt die Bilderkennungsanwendung für die Gesichtsanalyse. Der Video-Feed jeder Digitalkamera oder Webcam kann mit modernen Technologien des maschinellen Lernens verwendet werden, um gleichzeitig Gesichtserkennung, Gesichtshaltungsschätzung, Gesichtsausrichtung, Geschlechtserkennung, Lächelnerkennung, Altersschätzung und Gesichtserkennung durchzuführen.

Hinweise des Kursleiters: Computer Vision ermöglicht es Computern, durch Gesichtsanalyse Identität, Absichten, emotionalen und Gesundheitszustand, Alter und ethnische Zugehörigkeit zu bestimmen. Einige Fotoerkennungssoftware versucht sogar, mithilfe einer Bewertung den Grad der wahrgenommenen Attraktivität zu definieren.

Folie 5

Auf dieser Folie werden die auf maschinellem Lernen basierenden Bildidentifikationssysteme besprochen, die im Agrarsektor eingesetzt werden. Diese Systeme nutzen hochmoderne Werkzeuge, die darauf trainiert wurden, die Art des Tieres und sein Verhalten zu erkennen.