
Quelle: Adobe Stock / AlinStock
Problemstellung
Beim autonomen, vernetzten Fahren ist es notwendig, kontinuierlich verbesserte KI-Modelle zur Objekterkennung in Bilddaten zu erstellen. Jedoch beeinträchtigen die Datenschutzrichtlinie und eine mangelnde Netzabdeckung die Übertragung von Bilddaten von einem Fahrzeug auf einen zentralen Server.
Projektziel
Das Hauptziel dieses Projekts ist es, FL-Methoden zur Objekterkennung anhand realer Verkehrsbilder zu implementieren und zu evaluieren. Dafür müssen bestehende FL-Methoden um eine automatische Auswahl und Annotation der Bilder erweitert werden. Zudem wird die Auswirkung einzelner Bestandteile dieser Methode auf das aggregierte KI-Modell untersucht. Die Realisierung eines Demonstrators der Gesamtmethode sowie die Generierung eines realen Datensatzes runden die Zielsetzung dieser Studie ab.
Durchführung
Neben der Erstellung einer Basislinie sind in diesem Projekt folgende Aufgaben geplant: Eine Untersuchung über die Auswirkungen von aktivem Lernen unter idealen Label-Bedingungen, sowie eine Studie über die Auswirkungen des Pseudo-Labelings, die iterative Verbesserung von Labels mithilfe eines Objektdetektors. Ein Label bezeichnet die gesuchten Kategorien, wie beispielsweise Fußgänger oder Fahrzeuge. Letztendlich werden die individuellen Auswirkungen der Techniken des Aktiven Lernens und des Pseudo-Labelings auf das Gesamtmodell betrachtet. Als Ergebnis wird ein gelabelter Bilddatensatz für FL-Anwendungen bereitgestellt.
Verbundkoordinator | Technische Universität Chemnitz, Professur Digital- und Schaltungstechnik (DST)
|
Projektvolumen (zum Bewilligungszeitpunkt) | 163.898 Euro (davon 100 % Förderanteil durch BMDV) |
Projektlaufzeit (zum Bewilligungszeitpunkt) | 08/2023 – 01/2025 |
Ansprechpartner | TU Chemnitz, Professur Digital- und Schaltungstechnik (DST) Prof. Dr.-Ing. Gangolf Hirtz Tel.: +49 371 531-37378 E-Mail: g.hirtz@etit.tu-chemnitz.de |