Deep Learning
Die maschinelle Bildverarbeitung hat in den letzten sechs Jahren erhebliche Fortschritte bei der Genauigkeit und der möglichen Komplexität visueller Erkennungsaufgaben gemacht. Insbesondere durch die Entwicklung sog. Deep Convolutional Neural Networks (DCNNs) können Maschinen menschliche Leistung bei Klassifikationsaufgaben erreichen und manchmal sogar übertreffen. Üblicherweise kategorisieren Experten zunächst die Daten, mit denen sie ein neuronales Netzwerk trainieren. Dieses Vorgehen wird als Supervised Learning bezeichnet. Ein Nachteil ist, dass große Mengen klassifiziertes Lernmaterial in entsprechender Qualität benötigt werden.
Noch sind im Bereich der biologischen Forschung und Anwendung zeitgemäße Algorithmen, die auf neuronalen Netzwerken aufbauen, nicht oder nur unzureichend etabliert. So wird z. B. für viele Probleme nur das beschriebene Supervised Learning angewendet. Des Weiteren geht die Komplexität der verwendeten Methoden meist nicht über einfache Klassifikationsnetzwerke hinaus, die nicht in Szenarien anwendbar sind, in denen Objekte erst noch im Gesamtbild gefunden werden müssen (Detektion).
Relativ unerforscht, aber sehr vielversprechend, sind sowohl die Kombination von Informationen verschiedenster Herkunft im Zusammenhang mit Deep Learning wie z.B. das Anreichern von herkömmlichen Bilddaten mit Infrarotdaten zur Verbesserung der Genauigkeit. Auch das Ausnutzen zeitlicher und räumlicher Zusammenhänge in gleichartigen und verschiedenen Datenquellen ist ein Forschungsziel.
Das Teilprojekt “Deep Learning” des Fraunhofer IGD setzt an den genannten Punkten an. Der Fokus der Methoden soll schrittweise von "Supervised" über "Semi-Supervised" zu "Unsupervised" verschoben werden, so dass nur noch wenige, oder vielleicht sogar gar keine durch den Menschen vorklassifizierten Daten für das Training verwendet werden. Das steigert nicht nur die Effizienz beim Einsatz, sondern erschließt auch neue Anwendungsfelder für die dann universell nutzbaren Verfahren. Darüber hinaus sollen einfache Klassifikationsnetzwerke funktional erweitert werden, so dass die bisher notwendige Vorauswahl von zu klassifizierenden Bildteilen entfällt.
Hohe Relevanz für das Teilprojekt hat die Bereitstellung automatisierter Verfahren für die Detektion von Objekten in einem Bild, wie sie beispielsweise beim Auszählen von Pollen innerhalb einer Mikroskopaufnahme erforderlich ist. Betrachtet werden soll darüber hinaus auch die daran anschließende Segmentierung, die detektierte Objekte vom Hintergrund trennt. Ziel ist hier die Verfeinerung der Objektränder von umgebenden Rechtecken bis hin zu freien Konturen (automatische Segmentierung). Damit können die detektierten Objekte isoliert an Experten und weitere IT-Tools weitergegeben werden.
Ziel ist es, die Methodik zur automatisierten Bildanalyse so weiterzuentwickeln, dass sie unabhängig der konkreten Problemstellung zur Anwendung kommen kann. Die Erprobung der neu zu entwickelnden Verfahren erfolgt im Kontext der in den folgenden Teilprojekten beschriebenen Fragestellungen der Ökologie.
Das Verbundprojekt „DIG-IT!” wird durch den Europäischen Sozialfonds (ESF) und dem Ministerium für Bildung, Wissenschaft und Kultur des Landes Mecklenburg-Vorpommern gefördert.
