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 15 Autonomes FAhren der Datenbasis des Trainingssatzes oft unzureichend repräsentiert sind gerade weil es sich meistens um kontextuell seltene oder unerwartete Ereignisse handelt Solche Störereignisse können beispielsweise extreme Wetterbedingungen aber auch Kamerafehler wie Linsenverzerrung oder chromatische Aberration sein Eine Verifikation des Systems für selten auftretende Gefahrensituationen ist gleichwohl zwingend notwendig Enthält ein Trainingsdatensatz zu wenige Bilddaten für einen aussagekräftigen Test müssen neue Testbilder generiert werden Allerdings ist die manuelle Erstellung von Testbildern aufgrund der benötigten Datenmenge oft sehr aufwendig oder schlicht nicht praktikabel Durch die gezielte Veränderung bestehender Bildinformationen lassen sich jedoch neue Testdaten generieren und für den Test nutzbar machen Metamorphe Bildtransformationen Metamorphe Bildtransformationen sind Veränderungen von Bildern die so vorgenommen werden dass sie keinen Einfluss auf das Label des Bildes haben Wird beispielsweise die Helligkeit eines Bildes verringert verändert sich zwar das Bild nicht aber die Position und die Art der darauf zu erkennenden Objekte Für das Erstellen von metamorph veränderten Bildern ist es wichtig das potenzielle Einsatzgebiet der Objekterkennung systematisch zu betrachten Welche Fehler können auftreten? Welche seltenen Situationen sind denkbar? Eine geeignete Methode ist die Klassif ikationsbaumanalyse Die Pfade des Baumes beschreiben in Kategorien geordnete Umgebungsvariablen und Fehlerquellen Bild 1 Sinnvolle Kategorien bei einem im Straßenoder Zugverkehr eingesetzten System sind beispielsweise die Wetterund Lichtverhältnisse Bewegungsstörungen sowie Kamerahardund -softwarefehler Die in so einem Baum enthaltenen Störungen sollen anschließend simuliert also über Bildveränderungen erzeugt werden ohne dass es zu einer Änderung der im Bild enthaltenen Label kommt Andernfalls muss das Bildmaterial manuell neu gekennzeichnet werden Veränderungen wie das Einfügen und vollständige Verdecken von Objekten sind also nicht sinnvoll Um den Erhalt der korrekten Label sicherzustellen erfolgt die Generierung Bild 1 Beispielbaum für das Kategorisieren von Umgebungsstörungen Bild ITPower Solutions Bild 2 Simulation von Umgebungsstörungen Bild ITPower Solutions