Deep Learning in der Bildverarbeitung

Deep Learning in der Bildverarbeitung

1,5 ECTS

Zu den Grundlagen des Deep Learnings für die Bildverarbeitung gehört, dass Sie die wichtigsten Komponenten von Convolutional Neural Networks (CNNs) kennen, wie Convolutional Layers, Pooling Layers, Gradient Descent und Backpropagation. Das Erlernte Wissen vertiefen Sie anhand erfolgreicher CNN-Architekturen für die Objekterkennung in Bildern. Der gesamte Objekterkennungs-Workflow inkl. Datenaufbereitung wird in praktischen Übungen mit vorgegebenen oder eigenen Bilddaten erprobt.

Modulübersicht

• Parallelverarbeitung gemäss Single Instruction Multiple Data (SIMD)
• GPU-Programmierung mit CUDA
• Kameraansteuerung und Echtzeitverarbeitung
• Bildverarbeitung auf Einplatinenrechnern

Modulinhalt in Bildern

Datenvermehrung

Als Vorbereitungsschritt für das Training eines tiefen, neuronalen Netzwerkes zur Tumorerkennung (Datenquelle) werden die Originalbilder leicht transformiert und zu den Trainingsdaten hinzugefügt.

Convolutional Neural Networks (CNN)

Beispiel von Schichten eines tiefen CNNs zur Bildklassifikation von Verkehrsschildern (Quelle)

Objekterkennung

Überwachung des Baufortschritts und der Sicherheit mit Hilfe von Deep Learning basierter Objekterkennung (faster R-CNN, YOLO Modelle; Bildquelle: Innovationsprojekt FHNW-Avisec)