1. Allgemeines - 0711PHIN/Studienarbeit GitHub Wiki

Künstliche Neuronale Netze

Das Neuronennetz des menschlichen Gehirns dient als Vorbild der künstlichen Neuronalen Netze. Dabei werden zwei wesentliche Ziele verfolgt:

• Die Modellierung zur Analyse der Funktionsweise des menschlichen Gehirns.
• Die Anwendung auf Problemstellung aus Bereichen wie z.B. Statistik, Technik und Wirtschaft.

Abbildung 1 Schichten eines KNN

KNNs sind aus verschiedenen Schichten aufgebaut. Jede Schicht (engl. Layer) enthält eine festgelegte Anzahl an parallel angeordneten Neuronen. Die Schichten werden in drei Gruppen kategorisiert:

• Input-Layer (Abbildung 1 rot): erfasst Daten und Signale.
• Hidden-Layer (Abbildung 1 gelb): verarbeitet Daten und Signale und leitet diese an die nächste Schicht weiter. Besonderheit, die Hidden-Layer, kann aus beliebig vielen Schichten bestehen und ist für die Außenwelt nicht sichtbar.
• Output-Layer (Abbildung 1 grün): Ausgabe des Ergebnisses in der Regel in Form einer Wahrscheinlichkeit

Die Neuronen sind immer mit Neuronen der nächstfolgenden Schicht verbunden. Das Gewicht beschreibt die Stärke und Art der Verbindung. Unter dem Wissen eines neuronalen Netzes versteht man die in den Gewichten gespeicherten Informationen. Das Lernen beschreibt die Gewichtsveränderung. Hierfür gibt es verschiedene Algorithmen. Der bekannteste hier ist der Backpropagation-Algorithmus. [1]

You only look once (YOLOv3)

Das YOLOv3 ist ein KNN zur Objekterkennung. Dabei wird die Entfernung des erkannten Objektes bestimmt und dieses durch Bounding-Boxes visuell hervorgehoben (siehe Abbildung 2). Im Vergleich zu anderen künstlichen Netzen ist das YOLOv3 extrem schnell und genau in der Objekterkennung. Durch verschiedene vortrainierte Modelle, mit unterschiedlicher Größe, lassen sich die Geschwindigkeit und die Genauigkeit stark variieren. Das Netz unterteilt das Bild mit den zu erkennenden Objekten in Abschnitte. In jedem Abschnitt werden die erkannten Objekte im den Bounding-Boxes umrahmt und die Wahrscheinlichkeit der Übereinstimmung wird angegeben. [2]

Abbildung 2 YOLO Objekterkennung