Komplexe Klassifizierungsaufgaben mit wenigen Bildern lösen

Überwachtes

Komplexe Klassifizierungsaufgaben mit wenigen Bildern lösen

Das Objekterkennungstool CVB Polimago bietet einfache und kostengünstige Bildverarbeitungslösungen als Alternative zu herkömmlichen Deep Learning Tools.

Für eine Anwendung zur Identifizierung von Hähnchenfleisch (Flügel, Ober- und Unterschenkel sowie Brüste) wurden mit CVB Polimago in jedem Set vierzehn Trainingsbilder mit einer Klassifizierungszeit von 1ms gebraucht. (Bild: Stemmer Imaging AG)


Eine geringere Anzahl an Trainingsbildern, kürzere Trainings- und Ausführungszeiten sowie der Einsatz einer Standard-CPU sind entscheidende Vorteile, verglichen mit den meisten anderen Werkzeugen, die auf dem CNN-Ansatz aus dem Deep-Learning-Bereich basieren. In CVB 2019 wird CVB Polimago auch für Embedded-Anwendungen verfügbar sein. Polimago liefert eine ähnliche Genauigkeit wie Ansätze mit neuronalen Netzwerken. Dabei wird die Ridge-Regression eingesetzt, eine Supervised-Learning-Methode zur Suche und Klassifizierung in industriellen Bildverarbeitungsanwendungen. ‚Überwachtes Lernen‘ heißt in diesem Zusammenhang, dass der Anwender in den Trainingsbildern typische Klassifizierungsmerkmale mittels einer ROI markiert hat. Dadurch ist der Algorithmus in der Lage, eine Funktion zu erzeugen, die das gewünschte Ergebnis liefert. Ein entscheidender Faktor ist, dass das Tool in der Regel nur 20 bis 100 Trainingsbilder benötigt, während neuronale Netzwerke 500 Bilder pro Klasse zum Antrainieren erfordern sowie 500 zulässige Referenzbilder, z.B. würde ein CNN für eine OCR-Anwendung mit alphanumerischen Zeichen (A-Z und 0-9) 36×500=18.000 Trainingsbilder benötigen. Kleinere Trainingssets bieten eine Reihe von Vorteilen. Erstens ist bei Polimago schnelleres Anlernen möglich als bei Werkzeugen, die auf neuronalen Netzwerken basieren. Polimago benötigt in der Regel 5 bis 20 Minuten Zeit zum Antrainieren, während ein CNN Stunden dafür braucht. Zweitens brauchen neuronale Netzwerke wesentlich länger, die erforderlichen Klassifizierungsmerkmale in ihren großen Traningssets zu kennzeichnen. Das Tool läuft auf einer Standard-CPU und ist ähnlich schnell wie ein neuronales Netzwerk mit Unterstützung von GPU-Beschleunigung, oft sogar schneller. Typische Ausführungszeiten für die Polimago-Suche liegen in der Größenordnung von einigen Millisekunden, die mit den Geschwindigkeiten GPU-beschleunigter neuronaler Netzwerke vergleichbar sind. Jedoch laufen CVB-Klassifizierungsaufgaben mit viel höheren Geschwindigkeiten ab, die oft unter einer Millisekunde liegen. Zudem ist das Tool deutlich kostengünstiger als viele CNN-basierte Werkzeuge und bietet den Vorteil, dass es ab CVB 2019 erstmals auch für Linux (auf Intel und ARM-Plattformen) verfügbar sein wird.

Thematik: Allgemein
Stemmer Imaging AG
www.stemmer-imaging.com

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Anzeige

Anzeige

Anzeige

Anzeige

Anzeige