Schwerpunkte

Edge AI + Vision Alliance

Quo vadis Bildverarbeitung?

20. Februar 2020, 09:00 Uhr   |  Inka Krischke

Quo vadis Bildverarbeitung?
© Allied Vision

Deep Learning für Aufgaben, die vormals nicht realisierbar waren, auch weil herkömmliche Algorithmen nicht exakt genug waren.

Innovationen in den Bereichen Künstliche Intelligenz und Embedded Vision sowie bei speziellen Prozessoren und ­Entwicklungsumgebungen für die Bildverarbeitung eröffnen der Technologie ein breiteres Spektrum. Ein Überblick.

Deep Learning als eine KI-Disziplin ist heute der wichtigste Faktor für die Veränderungen beim praktischen Einsatz von Bildverarbeitung. Diese Technologie stellt eine grundlegend andere Art dar, Merkmale aus Bildern, Videos und vielen anderen Datentypen zu extrahieren. Deep Learning ist nicht für jedes Problem die richtige Lösung, ermöglicht uns jedoch, ein breiteres Spektrum an Merkmalen mit höherer Genauigkeit als zuvor zu erkennen. In nur wenigen Jahren haben sich Deep Neural Networks von praktisch unbekannten kommerziellen Produkten zu nahezu universellen neuen Werkzeugen für die Bildverarbeitung entwickelt.
Dadurch lassen sich heute Aufgaben lösen, die vormals nicht realisierbar waren, auch weil herkömmliche Algorithmen nicht exakt genug oder der Aufwand für die Entwicklung dieser Algorithmen wirtschaftlich untragbar waren. Deep-Learning-Algorithmen beziehungsweise neuronale Netzwerk-Architekturen werden in der Regel wiederverwendet und für un-terschiedliche Einsatzfälle mit anderen Trainingsdaten neu angelernt. Viele zuvor unwirtschaftliche Anwendungen rechnen sich dadurch.

Spezialisierte Prozessoren

Einer der Nachteile von Deep-Learning-Algorithmen besteht darin, dass sie extrem rechenintensiv sind. Ihre Nutzung erfordert in der Regel Prozessoren, die eine enorme Rechenleistung liefern können und in Bezug auf die Kosten und den Leistungsverbrauch kompatibel zu Embedded-Systemen sind. Glücklicherweise stehen immer mehr dieser Prozessoren zur Verfügung. Gerade bei speziellen Prozessoren mit integrierten Deep-Learning-Möglichkeiten gab es in der jüngsten Vergangenheit einen starken Innovationsschub. Ein wesentlicher Grund für diese Entwicklung besteht darin, dass es in der Welt von Deep Learning viel weniger Algorithmen gibt als in der klassischen Bildverarbeitung. Wenn sich Algorithmen wie bei Deep Learning von Anwendung zu Anwendung ähnlich sind, ist es viel einfacher, einen einzelnen Prozessor zu entwickeln, der eine Reihe von Anwendungen bedienen kann. Infolgedessen finden derzeit enorme Investitionen in die Entwicklung von Prozessoren statt, die auf Deep Neural Networks spezialisiert sind.

In den Jahren 2013 bis 2016 war ein stetiger Investitionsrückgang in Halbleiter-Start-ups zu verzeichnen. Einige Experten folgerten daraus, dass Chip-Start-ups nie wieder finanziert werden würden, weil es zu teuer, zu riskant und zu schwierig erschien, die erforderlichen Massenanwendungen zu finden, um die Investitionen profitabel zu machen. Man sprach sogar vom Ende des ‚Silicon‘ im Silicon Valley. 2017 kehrte sich dieser Trend jedoch um und die Finanzierung von Halbleiter-Start-ups wuchs erneut rasant. Wenn sich der aktuelle Trend fortsetzt, werden die Venture-Capital-Investitionen in Halbleiter-Start-ups in diesem Jahr rund 3 Mrd. USD erreichen, was einer Steigerung etwa um den Faktor 10 gegenüber 2016 entspricht. Der größte Teil dieser Investitionen wird in die Herstellung von KI-Chips fließen. Dieser Boom ist hauptsächlich auf die Einführung von Deep Learning zurückzuführen. Die Investitionen in diese Technologie beschränken sich nicht nur auf Chips, sondern auch auf andere Ebenen wie zum Beispiel Algorithmen und Softwaretools.

Derzeit entwickeln geschätzt rund 75 Unternehmen weltweit Prozessoren für Deep Learning, angefangen von Start-ups über große Chip-Hersteller bis zu Anbietern von Silizium-IP wie MediaTek oder Synopsys. Während die Mehrheit der aktuellen Bildverarbeitungssysteme noch eine herkömmliche CPU verwendet, setzen rund 40 % der Befragten einer Umfrage unter Bildverarbeitungsentwicklern (Computer Vision Developer Survey from the Edge AI and Vision Alliance – früher Embedded Vision Allicance – Januar 2020) dedizierte Bildverarbeitungs- oder Deep-Learning-Prozessoren in ihren Systemen ein. Derartige Prozessoren waren vor fünf Jahren noch gar nicht verfügbar. Das Umfrage-Ergebnis belegt die aktuellen rapiden Veränderungen, die in ähnlicher Weise bei der Einführung von Deep Neural Networks zu beobachten waren.

Seite 1 von 3

1. Quo vadis Bildverarbeitung?
2. Entwicklungsumgebungen vereinfacht
3. Zunahme von 3D-Anwendungen

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Das könnte Sie auch interessieren

Bildverarbeitung – interoperabel und herstellerunabhängig
Wachstum trotz herausfordernden Marktbedingungen
Neuestes Mitglied kommt aus der Akustik
KI folgt eigenen Regeln
Ende der Dauerbeobachtung

Verwandte Artikel

Embedded Vision Alliance, Allied Vision Technologies GmbH