Maschinelles Sehen auf der Grundlage von Lerntechnologien

Die Monografie widmet sich der Entwicklung von Computer-Vision-Methoden und -Werkzeugen, die KI zur schnellen Identifizierung von sich bewegenden Objekten in einem Videodatenstrom auf der Grundlage von Deep-Learning-Technologien nutzen. Betrachtet werden klassische und nicht-klassische Methoden der künstlichen Intelligenz, Faltungsneuronale Netze, Computer Vision und Bilderkennung sowie Theorien von Kontrollsystemen, die auf Schätzungen und Kriterien der mathematischen Statistik basieren. Als Ergebnis der Erkennung wird die Art des erkannten Objekts bestimmt, und es werden quantitative Genauigkeitsschätzungen berechnet. Es wird eine Methode zur Anwendung von Schablonen implementiert. Der Algorithmus verfügt über Informationen darüber, wie das gesuchte Objekt aussieht, welchen Hintergrund es haben kann, wie bestimmte Konturen des Objekts aussehen und in welcher Position sie sich befinden. Der mögliche Ort der Objekterkennung wird sofort berücksichtigt. Auf diese Weise lassen sich eine hohe Erkennungsqualität und eine gute Leistung erzielen. Wenn eine Videokamera mehrere ähnliche Objekte aufnimmt, werden unterschiedliche Vorlagen erfüllt, und die Erkennungsleistung nimmt ab. Künstliche neuronale Netzmodelle werden zur Schätzung oder Annäherung von Funktionen verwendet, die von vielen Eingaben abhängen können und in der Regel unbekannt sind.