Motivation
Das Maschinelle Lernen und insbesondere Künstliche Intelligenz (KI) in Tiefen Lernverfahren („Deep Learning“) haben das Maschinelle Sehen („Computer Vision“) in fast allen Bereichen revolutioniert. Dazu zählen Themen wie Bewegungschätzung, Objekterkennung, semantische Segmentierung (Aufteilung und Klassifikation der Teile eines Bildes), Posenschätzung von Personen und Händen, und viele weitere. Ein großes Problem beim Maschinellen Sehen ist, dass für eine präzise maschinelle Wahrnehmung, bspw. einer menschlichen Bewegung, eine Vielzahl an unterschiedlichen und sich situationsbedingt ändernden Daten erfasst werden muss. Diese Komplexität kann in den Trainingsdaten nicht ausreichend abgebildet werden. Zudem müssen die Algorithmen in sich stetig ändernden Umgebungen kontinuierlich angepasst, d.h. nachtrainiert werden, um eine robuste und realitätsnahe Wahrnehmung zu gewährleisten.
Ziele und Vorgehen
Adaptive Methoden, die kontinuierlich dazu lernen (Lebenslanges Lernen), bilden die zentrale Herausforderung zur Entwicklung von robusten, realitätsnahen KI-Anwendungen. Neben der reichen Historie auf dem Gebiet des allgemeinen kontinuierlichen Lernens („Continual Learning“) hat auch das Themenfeld von kontinuierlichem Lernen für Machinelles Sehen unter Realbedingungen jüngst an Interesse gewonnen. Ziel des Projektes DECODE ist die Erforschung von kontinuierlich adaptierfähigen Modellen zur Rekonstruktion und dem Verständnis von menschlicher Bewegung und des Umfeldes in anwendungsbezogenen Umgebungen. Dazu sollen mobile, visuelle und inertiale Sensoren (Beschleunigungs- und Drehratensensoren) verwendet werden. Für diese verschiedenen Typen an Sensoren und Daten sollen unterschiedliche Ansätze aus dem Bereich des Continual Learnings erforscht und entwickelt werden, um einen problemlosen Transfer von Laborbedingungen zu alltäglichen, realistischen Szenarien zu gewährleisten. Dabei konzentrieren sich die Arbeiten auf die Verbesserung in den Bereichen der semantische Segmentierung von Bildern und Videos, der der Schätzung von Kinematik und Pose des menschlichen Körpers sowie der Repräsentation von Bewegungen und deren Kontext.
Innovationen und Perspektiven
Das Feld potentieller Anwendungsgebiete für die in DECODE entwickelten Methoden ist weitreichend und umfasst eine detaillierte ergonomische Analyse von Mensch-Maschine Interaktionen, zum Beispiel am Arbeitsplatz, in Fabriken, oder in Fahrzeugen.