Computer Vision

• Self-Driving Cars: Tesla liest Fahrbahnmarkierungen und Ampeln.
• Medizin: Erkennt Hautkrebs auf Fotos besser als Hautärzte.
• FaceID: Entsperrt dein Handy, indem es dein Gesicht in 3D scannt.
• OCR: Scannt PDFs und macht Text kopierbar. Tools: OpenCV (Klassisch) und TensorFlow/PyTorch (Deep Learning).

1. Tasks

• Classification: "Ist da eine Katze drin?" (Ja/Nein).
• Object Detection: "Wo ist die Katze?" (Bounding Box drumrum malen).
• Segmentation: "Welche Pixel gehören exakt zur Katze?" (Umriss ausschneiden). Das Schwerste.

2. YOLO (You Only Look Once)

Ein berühmter Algorithmus für Echtzeit-Erkennung. Alte Methoden scannten das Bild 1000 mal. YOLO guckt einmal drauf (ein Netz-Durchlauf) und findet alle Objekte sofort. Extrem schnell (45 FPS).

1. Vision Transformers (ViT)

Früher dominierten CNNs die Computer Vision, doch 2020 adaptierte Google die bahnbrechende Transformer-Architektur aus dem Text-Bereich auf Bilder. Der Vision Transformer (ViT) zerteilt ein Bild nicht durch Convolution-Lupen, sondern schneidet es rigoros in ein Grid aus festen Patches (z. B. 16x16 Pixel). Diese Patches werden wie "Wörter" in einen Satz flachgelegt (Tokenization) und durch Self-Attention verknüpft. ViTs haben den immensen Vorteil, dass sie globale Kontexte sofort sehen ("Ein Patch in der rechten unteren Ecke liefert Attention für einen Stoppschild-Schatten"). Bei massivem Pre-Training überflügeln sie CNNs heute in fast allen Image-Net Benchmarks.

2. Pose Estimation und Optical Flow

Wenn CV nicht nur statisches Identifizieren, sondern Kinetik analysieren soll, schlägt die Stunde spezieller Tasks. Pose Estimation (wie bei Apple's CoreML oder OpenPose) extrahiert ein menschliches Skelett aus 2D-Bildern. Netzwerke sagen X, Y (und teils Z) Koordinaten von Schultern, Knie und Ellbogen vorher. Optical Flow vergleicht benachbarte Videoframes, um für jeden Pixel einen 2D-Bewegungsvektor (Geschwindigkeit und Richtung) zu kalkulieren. Dies nutzt man massiv in moderner Videokompression (H.265), in Frame-Generation für VR oder in autonomen Robotern, die wissen müssen: Kommt das Objekt auf die Linse zu (größer werdender Flow) oder weicht es aus?

3. Adversarial Attacks

Computer Vision Systeme sind erschreckend fragil. Ein Hacker kann ein Bild einer Schildkröte nehmen und minimales, für Menschen völlig unsichtbares Rauschen (Noise) auf die Pixel addieren (Adversarial Attack, z.B. per Fast Gradient Sign Method). Ein perfekt trainiertes ResNet152 wird die Schildkröte plötzlich mit 99% Konfidenz als "Maschinengewehr" klassifizieren. Autonome Autos lassen sich durch ein paar Klebestreifen auf einem Stoppschild (welche das CNN verwirren) in den Abgrund steuern. Dies ist eines der aktivsten Forschungsgebiete, weshalb AI Defense Teams Methoden wie Adversarial Training (Einspeisen gigantischer Mengen von Fake-Signalen beim Net-Training) in Produktionssysteme zwingen müssen.