Jürgen Toth
My highest motivation is to work in an international environment with a high innovation culture. I really enjoy to work in diverse and high motivated teams and continuously create together new solutions and applying new technologies. Doing high quality Software Engineering and Development are my key passions. Further I'm really passionated about Artificial Intelligence, Machine and DeepLearning topics where I did several certifications and research projects. I like to use and explore new web technologies, mobile & cloud technologies for work and my personal projects. I also enjoy to publish new articles about new trends and frameworks and learn from different science areas.
Social link: https://ch.linkedin.com/in/juergentoth
You only look once - Real Time object detection mit DeepLearning und Yolo
Das Analysieren von Bildern und Videos mittels DeepLearning Mechanismen und sogenannten ConvolutionalNeuralNetworks ist ein etabliertes Verfahren in der KI für die Bildanalyse. Diese Verfahren lassen sich inzwischen auch mittels verschiedenen Clouddiensten von Google, Microsoft und Co. komfortabel als Service nutzen - einfach ein Bild hochladen und man bekommt in kurzer Zeit eine Klassifizierung. Es gibt aber auch Anwendungsszenarien die eine extrem schnelle Objekterkennung und Klassifizierung zur Laufzeit benötigen. Bestes Beispiel hier sind natürlich selbstfahrende Autos: Die Kamera des Wagens muss in Echtzeit mehrere Objekte erkennen und klassifizieren können um blitzschnell die richtigen Entscheidungen treffen zu können. Während das Auto fährt muss die Kamera Fußgänger, Ampeln, andere Autos und Verkehrsteilnehmer in Echtzeit finden und klassifizieren. Hierzu dient der sogenannte neue YOLO Algorithmus: https://pjreddie.com/darknet/yolo/. Wie auf der Seite und im Beispielvideo (https://www.youtube.com/watch?v=VOC3huqHrss) zu sehen, ist dieser extrem schnell; so kann z.B. ein selbstfahrendes Fahrzeug in Echtzeit alle Verkehrsteilnehmer und Gegenstände verarbeiten.
Der Talk gibt eine Einführung in den Algorithmus und es werden Beispiel Implementierungen in JavaFX und Android mittels Tensorflow und iOS mittels Apple ML gezeigt, die als Ausgangsbasis für eigene Projekte dienen können.
Hier einige Beispiele aus der Praxis:
• Selbstfahrenden Fahrzeug, dass in Echtzeit seine Umwelt sehen kann
• Eine Smartphone App die sofort per Kamera bestimme Objekte live detektieren kann, z.B. bestimmte Gefahrenstoffe im Labor
• Videofilmanalysen die bestimmte Objekte zählen und Statistiken durchführen
• Eine Videokamera die in Echtzeit auf bestimmte Objekte oder Objektkombinationen reagiert und dadurch sofort einen Alarm auslösen kann (z.B. Diebstahl).
• Augmented Reality – in einer Datenbrille können interessante Objekte in Echtzeit markiert werden