Die Entwicklung der Computervision: Herausragende Beiträge der Erfinder

Die Entwicklung der Computervision: Herausragende Beiträge der Erfinder wird von BTW Media profiliert, da veröffentlichte Belege es mit Internet-Infrastruktur, Governance, betrieblichen Abhängigkeiten oder Marktpräsenz verbinden.

• Diese frühen Beiträge, geleistet von Pionieren wie Lawrence Roberts und Bela Julesz, etablierten grundlegende Prinzipien und Techniken, die die Entwicklung der Computervision tiefgreifend beeinflusst haben.
• Die Entwicklung der Computervision, von den grundlegenden Theorien der 1970er und 1980er Jahre bis zu den revolutionären Fortschritten bei neuronalen Netzen und Deep Learning in den 1990er und 2000er Jahren, hat das Fachgebiet tief geprägt und zu innovativen Anwendungen und Methoden geführt, die heute integraler Bestandteil der modernen KI und Bildverarbeitung sind.
• Das 21. Jahrhundert erlebte einen erheblichen Aufschwung der Computervision, mit bedeutenden Fortschritten und Errungenschaften im Deep Learning und bei neuronalen Netzen, die die Bildklassifikation, Objekterkennung, Segmentierung, natürliche Sprachverarbeitung und viele weitere Bereiche revolutioniert haben und damit die tiefe Integration zwischen visuellem Verständnis und KI veranschaulichen.

Die Erfindung und Entwicklung der Computervision ist nicht das Werk einer einzelnen Person, sondern hat sich schrittweise durch die gemeinsamen Anstrengungen vieler Forscher, Ingenieure und Akademiker über einen langen Zeitraum entwickelt. Dieses Feld umfasst mehrere Disziplinen, darunter Informatik, Mathematik, Physik, Ingenieurwesen und Neurowissenschaften.

Lesen Sie auch:RoboVision sammelt 42 Millionen Dollar, um die KI-Integration in der Fertigungsindustrie zu stärken

Ursprung und frühe Entwicklungen der Computervision

Die Wurzeln der Computervision reichen bis in die 1950er und 1960er Jahre zurück, als die Entstehung und Entwicklung elektronischer Computer die Grundlagen für Bildverarbeitung und Mustererkennung legten.

Lawrence Roberts

Lawrence Roberts wird als einer der Pioniere der Computervision betrachtet. In seiner Doktorarbeit von 1963 mit dem Titel „Automatische Wahrnehmung dreidimensionaler Festkörper“ führte er viele grundlegende Konzepte und Techniken ein. Seine Arbeit konzentrierte sich auf die Extraktion dreidimensionaler Informationen aus zweidimensionalen Bildern, eines der zentralen Probleme der Computervision. Roberts’ Forschung legte die Grundlagen für spätere Arbeiten in der 3D-Rekonstruktion und Stereovision.

Bela Julesz

Bela Julesz war ein visueller Psychologe, dessen Forschung zu Zufallspunktstereogrammen in den 1960er Jahren einen signifikanten Einfluss auf die Computervision hatte. Julesz zeigte experimentell, wie das menschliche visuelle System Tiefe aus zufälligen Punktbildern wahrnimmt, was wichtige Implikationen für das Verständnis von Stereopsis und Tiefenwahrnehmung hat.

Lesen Sie auch:Intel entwickelt das größte neuromorphe Computersystem

Entwicklungen in den 1970er und 1980er Jahren

In den 1970er und 1980er Jahren etablierte sich die Computervision als Disziplin, und viele Schlüsselkonzepte und -techniken wurden in dieser Zeit entwickelt und vorangetrieben.

David Marr

David Marr ist eine weitere wichtige Figur im Bereich der Computervision. In den 1970er und 1980er Jahren schlug er eine Reihe von Theorien zur visuellen Verarbeitung vor, die zu erklären versuchten, wie das menschliche visuelle System visuelle Informationen verarbeitet und versteht. Marr entwickelte seine Theorien in seinem 1982 erschienenen BuchVision: Eine computergestützte Untersuchung der Repräsentation und Verarbeitung visueller Information beim Menschen, einschließlich eines hierarchischen Modells der visuellen Informationsverarbeitung.

Er schlug vor, dass die visuelle Verarbeitung in drei Hauptstufen unterteilt werden kann: die Primärskizze (primal sketch), die 2,5D-Skizze und die 3D-Modellrepräsentation. Marrs Arbeiten hatten tiefgreifende Auswirkungen sowohl auf die Computervision als auch auf die Neurowissenschaften.

John Hopfield und David Marr

Die Arbeiten von John Hopfield und David Marr zur Mustererkennung und neuronalen Netzen hatten ebenfalls einen signifikanten Einfluss auf die Computervision. Das Hopfield-Netzwerk war ein frühes neuronales Netzwerkmodell, das zeigte, wie Mustererkennungsprobleme durch neuronale Berechnungen gelöst werden können. Diese Studien lieferten eine theoretische Grundlage für Bilderkennungs- und Klassifikationsaufgaben in der Computervision.

Moderne Entwicklungen der Computervision

Die Computervision hat seit den 1990er und 2000er Jahren erhebliche Fortschritte in Algorithmen, Rechenleistung und Anwendungsbereichen gemacht.

Takeo Kanade

Takeo Kanade ist ein herausragender Forscher in den Bereichen Computervision und Robotik. Er entwickelte mehrere wichtige Computervisionssysteme und -algorithmen, insbesondere in der Gesichtserkennung, Stereovision und Navigation mobiler Roboter. Takeo Kanades Arbeiten hatten breite Auswirkungen sowohl in der akademischen Welt als auch in der Industrie, und er ist ein zentrales Mitglied des Fachbereichs Informatik und des Robotik-Instituts der Carnegie Mellon University.

David Forsyth und Jean Ponce

David Forsyth und Jean Ponce sind die Koautoren vonComputervision: Ein moderner Ansatz, einem wichtigen Lehrbuch im Bereich der Computervision, das ein breites Themenspektrum von den Grundlagen bis zu praktischen Anwendungen abdeckt. Es wird weithin in der Lehre und Forschung der Computervision eingesetzt und ist ein Klassiker des Fachgebiets.

Geoffrey Hinton, Yann LeCun und Yoshua Bengio

Die Arbeiten von Geoffrey Hinton, Yann LeCun und Joshua Bengio zu neuronalen Netzen und Deep Learning haben die Computervision revolutioniert. Ihre Arbeit führte zum Erfolg von Convolutional Neural Networks (CNNs) bei Aufgaben wie Bildklassifikation, Objekterkennung und semantischer Segmentierung. Insbesondere der Sieg von AlexNet beim ImageNet-Wettbewerb 2012 markierte einen Durchbruch in der Anwendung von Deep Learning in der Computervision.

Der Aufstieg der Computervision

Seit Beginn des 21. Jahrhunderts erlebt das Gebiet der Computervision eine Blütezeit. In dieser Zeit hat die Computervision erstaunliche Ergebnisse erzielt, wie die nachstehende Chronologie zeigt:

Im Jahr 2012 sorgte AlexNet beim ImageNet-Bildklassifikationswettbewerb für Aufsehen, indem es ein tiefes Convolutional Neural Network (CNN) nutzte, um alle anderen Teilnehmer zu übertreffen und die Fehlerquote um 10 Prozentpunkte zu senken.

Im Jahr 2014 wiederholtenGoogLeNetund VGGNet (Visual Geometry Group) ihren Erfolg beim ImageNet-Bildklassifikationswettbewerb, indem sie tiefere und komplexere CNN-Strukturen nutzten, um die Klassifikationsleistung weiter zu verbessern.

Im Jahr 2015 stellte ResNet (Residual Neural Network) einen neuen Rekord beim ImageNet-Bildklassifikationswettbewerb auf, indem es Residualverbindungen nutzte, um das Problem des schwierigen Trainings tiefer Netze zu lösen und die Fehlerquote auf ein Niveau unterhalb des menschlichen Werts zu senken.

Im Jahr 2016 erzielten YOLO (You Only Look Once) und SSD (Single Shot Multibox Detector) einen Durchbruch bei der Objekterkennungsaufgabe, indem sie eine einstufige CNN-Struktur nutzten, um eine schnelle und genaue Erkennung mehrerer Objekte in einem Bild zu ermöglichen.

Im Jahr 2017 erzielte Mask R-CNN einen Durchbruch bei der Objektsegmentierung, indem es eine zweistufige CNN-Struktur nutzte, um eine präzise Segmentierung mehrerer Objekte in einem Bild zu ermöglichen.

Im Jahr 2018 erzielte BERT (Bidirectional Encoder Representations from Transformers) einen Durchbruch bei der natürlichen Sprachverarbeitung, indem es eine bidirektionale Transformatorstruktur nutzte, um ein tiefes Sprachverständnis zu erreichen und ein leistungsstarkes Werkzeug für die gemeinsame Verarbeitung von Bildern und Text bereitzustellen.

Im Jahr 2019 erzielte AlphaStar einen Durchbruch im Spiel Starcraft II, indem es bestärkendes Lernen und Selbstspiel nutzte, um eine Intelligenz zu trainieren, die die besten menschlichen Spieler übertrifft, und eine hohe Integration von Computervision und Entscheidungsfindung demonstrierte.

Im Jahr 2020 erzielte GPT-3 einen Durchbruch bei der natürlichen Sprachgenerierung, indem es eine Transformatorstruktur mit 175 Milliarden Parametern nutzte, um flüssigen und logischen Text zu erzeugen, was die wechselseitige Umwandlung zwischen Bildern und Text ermöglicht.