Computer Vision: Aufgaben und Verfahren

Kurz: Computer Vision lässt Computer Bilder verstehen. Typische Aufgaben: Klassifikation (was ist drauf?), Objekterkennung (wo?), Segmentierung (welche Pixel?), Gesichtserkennung, Texterkennung (OCR) und Tiefenschätzung.

Genauer: Jede Aufgabe hat eigene Ausgaben und Verlustfunktionen, nutzt aber ähnliche Grundbausteine (CNN oder Vision Transformer).

Im Detail

• Klassifikation: Ein Etikett pro Bild („Katze“). Datensatz ImageNet, 1000 Klassen.
• Objekterkennung: Rahmen (Bounding Boxes) und Klassen: YOLO (schnell), Faster R-CNN, DETR.
• Segmentierung: Pixel-genaue Masken. Semantisch (Klasse pro Pixel), Instanz (jedes Objekt einzeln). Segment Anything (SAM).
• Pose-Schätzung: Gelenkpunkte von Menschen.
• OCR: Text aus Bildern (Tesseract, moderne Modelle). Dokumente, Kassenbons.
• Tiefe und 3D: Aus einem Bild die Entfernung schätzen, Stereo, NeRF/Gaussian Splatting.
• Anwendungen: Medizin (Röntgen), Autos, Qualitätskontrolle, Barcode-Scanner im Handy, Kamera-Funktionen.
• Datenvermehrung (Augmentation): Bilder spiegeln, drehen, Helligkeit ändern, damit das Modell robuster wird.
• Datenschutz: Gesichtserkennung ist rechtlich eingeschränkt, siehe EU AI Act und Regeln für KI.

Siehe auch: Faltungsnetze (CNN) für Bilder, Vision Transformer und CLIP