Explainable and Data-Efficient Visual Recognition
Hindernisse für den Einsatz von Deep-Learning-Modellen in der industriellen Praxis ist oft der große Aufwand von Datenbeschriftungen sowie die fehlende Interpretierbarkeit von Modellen. Im Projekt mit der Firma Hasty.AI sollen diese zwei methodischen Schwerpunkt explorativ untersucht werden, dabei wird ein Benchmarkkonzept erstellt um auch zukünftige Weiterentwicklungen von Algorithmen systematisch zu bewerten.
Titel des Projektes:
Explainable and Data-Efficient Visual Recognition
Ansprechpartner:
Prof. Dr. Erik.Rodner (Erik.Rodner@htw-berlin.de) und Prof. Dr. Stephan Matzka (Stephan.Matzka@htw-berlin.de)
Im Kontext der Digitalisierung und Wandlung der Produktion in Richtung I4.0 nimmt die Bedeutung der industriellen Objekterkennung kontinuierlich zu. Eine große Herausforderung ist in diesem Kontext die performante Bestimmung konkreter, komplexer Bauteile aus einem Datenbestand, der mehrere zehn- oder gar hunderttausend Teile umfasst, die ggf. in repräsentativen Teilekategorien vorliegen oder eine große Ähnlichkeit besitzen. Ziel des Vorhabens ist es, ein System zur Wiedererkennung von Bau- und Ersatzteilen zu entwickeln, das Verfahren basierend auf hierarchischen, mehrdimensionalen Feature-Vektoren (xD) dynamisch und bedarfsgerecht koppelt. Dazu wird ein modulares Ensemble-Learning-Verfahren entwickelt, das mit einer Kombination aus mehrstufigen Clustering- und anderer Verfahren ein beliebiges Teilespektrum vorfiltert und eine möglichst präzise Wiedererkennung von Objekten sicherstellt.
