Deep Learning

Deep Learning ist eine Art von maschinellen Lernverfahren, die auf künstlichen neuronalen Netzen basiert. Die Algorithmen, die in Deep Learning verwendet werden, sind in der Regel sehr komplex und bestehen aus mehreren Schichten von neuronalen Netzwerken.

Neuronale Netzwerke bestehen aus einer Vielzahl von Neuronen, die miteinander verbunden sind und Daten von einer Schicht zur nächsten weiterleiten.

Ein künstliches neuronales Netzwerk lernt, indem es auf eine große Menge von Beispieldaten trainiert wird. Während des Trainingsprozesses werden die Gewichte und Verbindungen zwischen den Neuronen angepasst, um das Netzwerk besser auf die Beispieldaten anzupassen. Nach dem Training kann das Netzwerk auf neue, unbekannte Daten angewendet werden, um Vorhersagen oder Klassifikationen durchzuführen.

Das EYYESNet ist ein neuronales Netz für die visuelle Objekterkennung aus Bildern, das die wichtigsten verkehrsbezogenen Klassen (Person, Fahrrad/Motorrad, Auto, LKW/Bus, Zug/Straßenbahn) für Lösungen im Automobil- und Bahnbereich abdeckt. Es erreicht die Erkennungsqualität eines YOLO v3-Objektdetektors bei einer Verarbeitungskomplexität von nur 5 %, was höhere Frameraten und ein Multi-Sensor-Setup mit der gleichen Verarbeitungshardware ermöglicht.

EYYESNet kann mit herkömmlichen KI-Inferenzmaschinen oder der leistungsstarken EYYES Layer Processing Unit verwendet werden. Es wurde in einem schrittweisen Trainingsprozess über 5 Jahre hinweg entwickelt, wobei mehr als 5 PB an real Bilddaten und zusätzlich mehr als 10 PB an synthetischen Daten für unterschiedliche Wetter- und Umgebungsbedingungen gewonnen wurden.

Erkennung von:

• Fußgänger (Erwachsene, Kinder, …)
• Radfahrer
• Autos, Lastwagen, Züge
• Ampelsignal-Erkennung
• Verkehrszeichen-Erkennung
• Fahrspur-Erkennung