Wie künstliche Intelligenz Objektdetektion und -erkennung ermöglicht
Die Anwendung von künstlicher Intelligenz auf Detektions- und Erkennungsprobleme gewinnt im heutigen digitalisierten Jahrhundert immer mehr an Bedeutung und ist eine Schlüsseltechnologie für industrielle Anwendungen wie die Automobilindustrie. Sie ist auch für eine Vielzahl von Gesundheitsanwendungen nützlich, z. B. für die Erkennung von Krankheiten mit Bio-Imaging, für industrielle Inspektionen und für Roboter.
Insbesondere ist eine wachsende Nachfrage nach dynamischer Handgestenerkennung in Echtzeit für Smart-Home-Anwendungen, Online-Spiele und Mensch-Roboter-Interaktionen zu verzeichnen. Bei SAL betreibt das Team der Forschungseinheit Embedded AI Grundlagenforschung zu diesem Thema.
Für Handgestenerkennung in Echtzeit, die für Sicherheitsvorkehrungen in Produktionshallen oder für selbstfahrende Fahrzeuge wichtig ist, sind geringe Latenzzeiten, schnelle Datenübertragung und Hochgeschwindigkeitskameras erforderlich. In diesem Szenario führen bildbasierte Kameras zu einer enormen Menge an redundanter Datenverarbeitung, da die nützlichen Informationen auf die Bewegung der Hände zurückzuführen sind. Im Gegensatz dazu aktivieren ereignisbasierte Kameras nur die Pixel, bei denen eine Veränderung stattgefunden hat, und senden diese Informationen zur weiteren Verarbeitung, wodurch die Rechenlast drastisch reduziert und somit der Energieverbrauch erheblich gesenkt werden kann.
Das Setup besteht aus einer ereignisbasierten DAVIS346-Kamera, die an einen PC angeschlossen ist, wo die Ereignisse erfasst und in Echtzeit von einem neuronalen Faltungsnetzwerk in Python verarbeitet werden. Diese Umgebung wurde im SAL-Team der Research Unit Embedded AI geschaffen, um Forschung zu ereignisbasierten Algorithmen und Hardwarebeschleunigern zu betreiben.
Für das Setup, das von Diego Gigena-Ivanovich und Chunlei Xu entworfen und entwickelt wurde, wurden drei Handgesten (Hund, Kaninchen, Taube) mit unterschiedlichen Kombinationen von Licht, Hintergrund und Handbewegungen erstellt, die dann von der ereignisbasierten Kamera erkannt werden.
Diego Gigena-Ivanovich stammt aus Argentinien, wo er Elektrotechnik studierte und anschließend sein Doktoratsstudium unter der Aufsicht von Dr. Pedro Julian startete. Im Jahr 2021 kam er gemeinsam mit Pedro Julian zu SAL, wo er seine wissenschaftliche Arbeit auf dem Gebiet der eingebetteten KI fortsetzt und Teil des SAL-DC (SAL Doctoral College) ist, einem Doktorandenausbildungsprogramm für Forscher:innen, die sich auf das Gebiet der EBS konzentrieren.
Rückfragehinweis: Isabella Preuer, MA Manager Communications & PR Enterprise Silicon Austria Labs GmbH Inffeldgasse 33 A 8010 Graz, Austria M: +43 664 832 9773 Isabella.Preuer@silicon-austria.com