Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Elektronik automot ive 21 Künstliche intelligenz Klares Bild zu vernebeltem Bild entnebeltem Bild DehazeNet SmoFod entnebeltem Bild CapsNet SmoFod SSIM є [0 1] 0 454 0 765 0 858 PSNR є [0 100] 27 806 28 852 30 544 Tabelle 1 Ähnlichkeiten zwischen klarem Bild vernebeltem Bild und entnebeltem Bild Quelle EDAG nathalie Klingler studierte Computational Science and Engineering im Bachelor und Informatik mit Schwerpunkt KI im Master an der Universität Ulm Im Jahr 2019 startete sie ihre berufliche Karriere bei der EDAG Group in Lindau als Softwareentwicklerin Sie war hauptverantwortlich für die KI-Komponente des KI-Prototyps des EDAG CityBots und arbeitet aktuell an weiteren Projekten im Bereich Computer Vision und Natural Language Processing in seine Ähnlichkeitsberechnung mit ein Tabelle 1 Die Verbesserungen sind auch optisch in den Bildern ersichtlich Die Farben des rekonstruierten Bildes sind zu denen des Eingabebildes nahezu identisch Es entsteht keine Übersätti gung der Farben und das Ergebnisbild weist keine Artefakte auf Da SmoFod als Bildaufbereitungs soft ware für Fahrerassistenzsysteme gedacht ist ist für die Beurteilung des Netzes die Leistungsfähigkeit nachge schalteter Systeme auf den Ergebnis bildern äußerst wichtig Mithilfe des Objektklassifikators YOLO wurden die Ergebnisse für den Anwendungsfall geprüft In Bild 4 werden vom YOLO erkannte Fahrzeuge mit einer roten Bounding Box und ihren entsprechen den Erkennungsraten versehen Die schlechtesten Erkennungsraten weist das vernebelte Bild auf Allerdings ver bessern sich die Erkennungsraten durch eine Entnebelung mittels des optimier ten DehazeNet kaum und das obwohl das rekonstruierte Bild optisch deutlich klarer erscheint als das vernebelte Im Gegensatz dazu sind die Erkennungs raten in dem Bild das mittels des neu artigen Autoencoders entnebelt wurde überzeugend Einige weisen sogar höhere Werte auf als im Original Für EDAG ist KI nicht nur ein Buzz word Das EngineeringUnternehmen verfolgt intensiv den aktuellen Stand der Technik und entwickelt seine eigene Software stetig weiter indem neue For schungsergebnisse erörtert implemen tiert und für Kundenprojekte genutzt werden Die Eingliederung der Caps NetEigenschaften in SmoFod stellt diese Vorgehensweise exemplarisch dar Sie ermöglicht die Bereitstellung klarer Bilder für Assistenzsysteme und macht dadurch den Straßenverkehr sicherer ih literatur [1] Bolun cai et al Dehazenet An endtoend system for single image haze Removal coRR abs 1601 07661 2015 [2] stephan lenor Model-Based estimation of Meteorological Visibility in the context of Automotive camera systems Dissertation heidelberg University 2016 [3] vgl Kitti Datensatz http www cvlibs net datasets kitti raw data php letzter zugriff 04 10 2019 [4] geoffrey hinton et al Dynamic Routing between capsules 2017 [5] Jonathan hui blog Understanding Dynamic Routing between capsules capsule networks https jhui github io 2017 11 03 Dynamic-Routing-Betweencapsules letzter zugriff 06 04 2021 [6] Joseph Redmon et al 2015 You Only look Once Unified Realtime Object Detection [7] Unsplash https unsplash com letzter zugriff 05 05 2021 Bild 4 Gegenüberstellung von vernebeltem klarem und entnebelten Bildern [3] Bild EDAG Pengutronix ek 07 20 pdf S 1 Format 60 00 x 80 00 mm 17 Mar 2020 10 13 27