particle_gun
Aktives Mitglied
Hallo Meteor Freunde,
da ich mich beruflich viel mit Objektklassifizierung beschäftige, wollte ich mal ein bisschen mit den Meteoren probieren. Die Idee ist mittels künstlicher Intelligenz und einen Trainingsdatensatz die verschiedenen Muster der Meteore vorherzusagen. Dafür habe ich einen kleinen Datensatz manuell annotiert und die Meteore in grobe 4 Klassen unterteilt (Head, Train, Area und Point). Die Anzahl der Objekte pro Gruppe sollte möglichst gleich sein und daher habe ich die weiteren Muster vorerst weggelassen (da habe ich nur < 10 Beispiele). Sobald ich auch für diese Bilder gesammelt habe, kann man die Klassen problemlos erweitern. Anschließend habe ich ein sogenanntes Convolutional Neural Network (CNN) trainiert. Dieses wird vorzugsweise für Bild (Gesichtserkennung Handy zum Beispiel) und Audiodaten mit verwendet, die Genauigkeiten gegenüber Modellen mit "hand-crafted" Merkmalen sind deutlich besser. Bei letzteren sagt der Entwickler dem Computer welche Merkmale wichtig sind, also zum Beispiel Farbe oder die Position der Augen im Gesicht usw. CNNs erlernen die Merkmale selber und durch viele Iterationen und einen markierten Datensatzt, prüft und verbessert das Netzwerk so lange die Genauigkeit des trainierten Modelles, bis es zu einem Plateau kommt. Die hohe Genauigkeit hat allerdings Nachteile, man braucht sehr viele Bilder pro Klasse um auf über 95 % Erkennungsrate zu kommen (wichtig in der Medizin, zum Beispiel MRT Krebs Auswertung).
Ich habe jetzt trotz meiner wenigen Bilder (< 100 pro Klasse) mal ein schnelles Netzwerk gebaut (Genauigkeit ~ 90 %), die Muster der Meteore sind für das CNN ziemlich einfach zu trennen und das ganze sollte schon passable klappen. Validiert habe ich an 20 Bildern und anbei habe ich die Vorhersagen mal angehängt. Unter den Bildern findet ihr die Wahrscheinlichkeit für die jeweilige Klasse in Prozent. Sieht schon gut aus und mit mehr Bildern wird das ganze auch stabiler.
Vielleicht für den einen oder anderen ganz interessant,
viele Grüße
Stefanie
da ich mich beruflich viel mit Objektklassifizierung beschäftige, wollte ich mal ein bisschen mit den Meteoren probieren. Die Idee ist mittels künstlicher Intelligenz und einen Trainingsdatensatz die verschiedenen Muster der Meteore vorherzusagen. Dafür habe ich einen kleinen Datensatz manuell annotiert und die Meteore in grobe 4 Klassen unterteilt (Head, Train, Area und Point). Die Anzahl der Objekte pro Gruppe sollte möglichst gleich sein und daher habe ich die weiteren Muster vorerst weggelassen (da habe ich nur < 10 Beispiele). Sobald ich auch für diese Bilder gesammelt habe, kann man die Klassen problemlos erweitern. Anschließend habe ich ein sogenanntes Convolutional Neural Network (CNN) trainiert. Dieses wird vorzugsweise für Bild (Gesichtserkennung Handy zum Beispiel) und Audiodaten mit verwendet, die Genauigkeiten gegenüber Modellen mit "hand-crafted" Merkmalen sind deutlich besser. Bei letzteren sagt der Entwickler dem Computer welche Merkmale wichtig sind, also zum Beispiel Farbe oder die Position der Augen im Gesicht usw. CNNs erlernen die Merkmale selber und durch viele Iterationen und einen markierten Datensatzt, prüft und verbessert das Netzwerk so lange die Genauigkeit des trainierten Modelles, bis es zu einem Plateau kommt. Die hohe Genauigkeit hat allerdings Nachteile, man braucht sehr viele Bilder pro Klasse um auf über 95 % Erkennungsrate zu kommen (wichtig in der Medizin, zum Beispiel MRT Krebs Auswertung).
Ich habe jetzt trotz meiner wenigen Bilder (< 100 pro Klasse) mal ein schnelles Netzwerk gebaut (Genauigkeit ~ 90 %), die Muster der Meteore sind für das CNN ziemlich einfach zu trennen und das ganze sollte schon passable klappen. Validiert habe ich an 20 Bildern und anbei habe ich die Vorhersagen mal angehängt. Unter den Bildern findet ihr die Wahrscheinlichkeit für die jeweilige Klasse in Prozent. Sieht schon gut aus und mit mehr Bildern wird das ganze auch stabiler.
Vielleicht für den einen oder anderen ganz interessant,
viele Grüße
Stefanie