CD-Labor für Embedded Machine Learning

Hier werden lernende Systeme im Bereich der Bild- und Videoerkennung erforscht. Im Zentrum stehen portable Anwendungen für den Außenbereich, ohne Zugang zu großen Speicherkapazitäten und Energiequellen, z.B. automatische Ampelsteuerungen.

Lebenslang lernende Systeme, z.B. Systeme, welche sich in Echtzeit und ohne menschliche Supervision an sich verändernde Szenen anpassen können, stellen ein reges Forschungsgebiet im Bereich der Computervision dar. Solche Systeme werden nicht vorab mit großen Datenmengen zu möglichen Situationen trainiert, sondern lernen ausgehend von wenigen Beispielsituationen lebenslang anhand ihrer eigentlichen Arbeitsumgebung.

Derzeit werden solche Systeme allerdings hauptsächlich zur Objekterkennung eingesetzt und sind auf Hardware aufgebaut, die keinen Beschränkungen in Bezug auf Energiezufuhr und Speicherplatz unterliegen.

Anwendungen wie autonomes Fahren, Augmented Reality Datenbrillen, oder automatische Verkehrsüberwachungssysteme benötigen jedoch Systeme, die sich mit nur geringer menschlicher Intervention an ein sich veränderndes Umfeld anpassen, die unter extremen Wetterbedingungen wie Regen, Schnee und Schmutz funktionieren, portabel sind und mit beschränkten Speicherkapazitäten und limitierter Stromzufuhr auskommen. Ein Beispiel für eine solche komplexe Anwendung ist die Überwachung und automatische Ampelschaltung auf einem Fußgängerübergang, wo Fußgänger als solche erkannt werden und ihre vermutliche Gehrichtung bestimmt werden müssen, unabhängig von tages- und jahreszeitlichen Veränderungen und eventuell vorübergehend vorhandenen Baustellen. Für solche Anwendungen werden eingebettete Field Programmable Gate Arrays (FPGAs), Graphical Processing Units (GPUs), etc. eingesetzt.

Das CD-Labor betreibt Forschung auf höchstem Niveau und entwickelt Entwurfsmethoden und Netzwerkarchitekturen, die

(1) höchste Genauigkeit bei gegebenem Energiebudget erreichen,

(2) niedrigsten Energieverbrauch bei gegebener Zielgenauigkeit zeigen, und

(3) die Fähigkeit zum kontinuierlichen In-Device Learning aufweisen.