Fraunhofer-Institut für Kognitive Systeme IKSMachine-Learning-Methoden für eine verlässliche Perzeption
Im Rahmen des ADA Lovelace Center for Analytics, Data and Applications hat das Fraunhofer-Institut für Kognitive Systeme IKS ein technisches Whitepaper zu Machine-Learning-Methoden für eine verlässliche Perzeption autonomer Systeme erarbeitet. Darin gehen die Forscherinnen und Forscher auf folgende Aspekte ein:
- Probleme und Lösungen
- Unsicherheitsbestimmung (Uncertainty Estimation)
- Out-of-Distribution Detection
- Object Detection
- Anwendung von Machine-Learning-Methoden
Unsicherheitsbestimmung in Deep Neural Networks
Im vorliegenden technischen Whitepaper werden neue Methoden zur Quantifizierung der Unsicherheit in tiefen neuronalen Netzen (Deep Neural Networks) im Zusammenhang mit der Perzeption, dem Monitoring und Out-of-Distribution-Ansätzen vorgestellt, entwickelt und bewertet. Darüber hinaus beschreibt das Whitepaper Szenarien für verschiedene Aufgaben der Perzeption, wie der Objekterkennung, und verknüpft diese mit Ansätzen zur Unsicherheitsabschätzung. Der Schwerpunkt liegt dabei auf sicherheitskritischen Anwendungen, bei denen diese Methoden entscheidende Erkenntnisse liefern, um risikoreiches Verhalten zu reduzieren und die allgemeine Sicherheit zu steigern.
