Computer Vision – Wie KI lernt, die Welt zu sehen
Diese Lektion wurde automatisch ins Deutsche übersetzt und noch nicht von einem Menschen geprüft. Falls etwas seltsam klingt, gilt die englische Fassung.
Computer Vision – Wie KI lernt, die Welt zu sehen
Wenn Sie einen Blick auf ein Foto werfen, wissen Sie sofort, dass es einen Hund am Strand zeigt. Für einen Computer ist dasselbe Bild nichts weiter als ein riesiges Zahlengitter. Computer Vision ist der Zweig der KI, der Maschinen beibringt, aus diesen Zahlen Bedeutungen zu extrahieren – und er verändert bereits die Branchen um Sie herum.
Wie Computer „sehen“
Wenn Sie ein Foto betrachten, erkennt Ihr Gehirn sofort Formen, Farben und Tiefe. Ein Computer hat nichts von dieser Intuition. Stattdessen wird mit Rohzahlen gearbeitet.
Ein digitales Bild ist ein Raster aus Pixeln. Jedes Pixel speichert Farbwerte – normalerweise drei Kanäle: Rot, Grün und Blau (RGB). Ein 1920 × 1080 HD-Bild enthält über zwei Millionen Pixel. jeweils mit drei Werten im Bereich von 0 bis 255. Multiplizieren Sie diese miteinander und erhalten Sie sogar einen einzelnen Frame enthält Millionen von Zahlen.
Auflösung bestimmt, wie viele Details das Raster erfasst. Höhere Auflösung bedeutet mehr Pixel und reichere Details – aber auch weit mehr Daten, die die KI verarbeiten kann. Ein 4K-Bild hat das Vierfache Pixel von HD, was den vierfachen Rechenaufwand bedeutet.
Graustufenbilder haben nur einen Kanal (Helligkeit), während einige spezielle Formate z Satellitenbilder oder medizinische Scans – können über Dutzende Kanäle verfügen, die unsichtbare Wellenlängen erfassen für das menschliche Auge.
Das menschliche Auge kann etwa 10 Millionen Farben unterscheiden. Ein standardmäßiges 8-Bit-RGB-Bild kann über 16,7 Millionen einzigartige Farbkombinationen darstellen – mehr, als wir tatsächlich wahrnehmen können!
Faltungs-Neuronale Netze (CNNs)
Frühe Versuche mit Computer Vision beruhten auf handgefertigten Regeln: „Suchen Sie hier nach Kanten, passen Sie diese an.“ Vorlage dort. Diese brüchigen Ansätze scheiterten bei jedem Szenenwechsel. Moderne Systeme nutzen Convolutional Neural Networks (CNNs), die ihre eigenen Regeln aus Tausenden von Labels lernen Beispiele.
Stellen Sie sich ein CNN als eine Aneinanderreihung von Musterdetektoren vor, wobei jede Schicht auf der vorherigen aufbaut:
- Faltungsschichten schieben kleine Filter über das Bild und erkennen einfache Muster wie Kanten, Ecken und Texturen.
- Pooling-Ebenen verkleinern die Daten, behalten nur die wichtigsten Signale bei und verwerfen sie überflüssiges Detail.
Diskussion
Anmelden um an der Diskussion teilzunehmen