Convolutional Neural Network (CNN)
Sie brauchen einen Convolutional Neural Network Berater und/oder möchten, dass wir Ihnen unser Angebot in diesem Umfeld vorstellen?
Künstliche Intelligenz (KI) kann die Prozesse eines Unternehmens enorm optimieren. Damit das gelingt, muss sie jedoch eine große Anzahl an Daten auswerten. Eine Herausforderung dabei sind Grafiken und Bilder. Deren Verarbeitung ist besonders aufwendig, da sie eine große Menge an Informationen beinhalten. Eine KI kann Bilder und Grafiken daher nur über komplexe Verfahren auswerten. Eine Möglichkeit dazu bietet das Convolutional Neural Network (CNN).
Inhaltsverzeichnis
Was ist das Convolutional Neural Network?
Das Convolutional Neural Network ist ein künstliches neuronales Netzwerk. Im Deutschen wird dieses Netz auch als „Gefaltetes Neuronales Netzwerk“ bezeichnet. Die Entwickler des Convolutional Neural Networks haben sich bei dessen Aufbau von biologischen Prozessen inspirieren lassen. So sind CNNs der Sehrinde des menschlichen Gehirns nachempfunden.
Wie die Sehrinde besteht auch das Convolutional Neural Network aus mehreren Schichten. Anwender unterscheiden die
- Convolutional-Schicht
- Pooling-Schicht
- vollständig vermaschte Schicht
1. Wie die Convolutional-Schicht Merkmale herausfiltert
Ein Bild beinhaltet mehrere Merkmale, z. B. einzelne Linien, Formen oder Kanten. Die Convolutional-Schicht ist dafür zuständig, diese Merkmale zu erkennen und zu verarbeiten.
In dieser Schicht wird das Bild von verschiedenen Filtern analysiert. Diese haben eine bestimmte Pixelgröße und scannen die Grafik nach und nach auf ihre Eigenschaften ab. Sie können sich diesen Vorgang wie eine kleine Lupe vorstellen, die das Bild von links nach rechts sowie von oben nach unten „abwandert“. Die Ergebnisse dieses Scanvorgans hält der Filter in einer Ergebnismatrix fest.
Diese Ergebnismatrix wird nun ebenfalls durch einen kleineren Filter abgescannt – und zwar auf die gleiche Weise, wie das ursprüngliche Bild gescannt wurde. Auch die Ergebnisse dieses erneuten Scanvorgangs werden in einer Matrix festgehalten.
Dieser Vorgang wiederholt sich einige Male auf immer tieferen Ebenen, sodass die Convolutional-Schicht die ursprüngliche Grafik bis ins kleinste Detail analysiert.
2. So entschlackt die Pooling-Schicht den Verarbeitungsprozess
Die Convolutional-Schicht analysiert das Bild zwar sehr genau – allerdings entsteht dabei eine enorm große Datenmenge. Für die Verarbeitung durch die KI sind viele dieser Informationen unnütz. Aber welche Daten sind wichtig? Und welche können weg? Diese Entscheidung fällt das Convolutional Neural Network in der Pooling-Schicht.
Die Pooling-Schicht verdichtet die Informationen zu den gescannten Merkmalen. Sie filtert das jeweils stärkste Merkmal einer Matrix heraus und verwirft die schwächeren. Dadurch reduziert sie die Informationen in einer Matrix und überträgt sie in eine abstraktere Repräsentation. Für die KI ist dieser Vorgang wichtig, da die Datenmenge deutlich reduziert wird und die Verarbeitung dadurch schneller vonstattengeht.
3. Wie die vollständig verknüpfte Schicht die Ergebnisse zusammenfasst
Im dritten Schritt verbindet das Convolutional Neural Network die Ergebnisse aus den beiden anderen Schichten miteinander. Dabei verknüpft es sowohl die eingegangenen als auch die ausgegangenen Werte aus beiden Schichten. Diese vollständig verknüpfte Schicht beinhaltet alle verbundenen Neuronen, die von der KI ausgewertet werden können.
So lernt eine KI mit der Hilfe des Convolutional Neural Networks
Das Convolutional Network erkennt über die Filter ortsunabhängige Strukturen innerhalb einer Grafik, z. B. Linien, Formen oder Kanten. Nach welchen Kriterien die Merkmale eines Bildes weitergegeben werden, lässt sich vorher nicht einstellen. Die Filter des CNNs sind lernfähig und erzielen mit der Zeit immer bessere Ergebnisse. Auf diese Weise verbessert sich auch die Verarbeitung von Bild-Dateien bei einer KI stetig.
Vorteile des Convolutional Neural Networks
Neben dem Convolutional Neural Network gibt es weitere neuronale Netze, mit denen KI-Systeme Daten verarbeiten können. CNN bietet den anderen gegenüber jedoch spezifische Vorteile:
- Das Convolutional Neural Network verarbeitet eine große Menge an Eingabedaten, die insbesondere bei der Bilderkennung anfallen
- Das Netzwerk erkennt Bildverzerrungen und andere optische Veränderungen und berücksichtigt diese bei der Verarbeitung
- Das Netz ist imstande, Bilder mit unterschiedlichen Lichtverhältnissen und verschiedenen Perspektiven zu verarbeiten
- Das Convolutional Neural Network verbraucht wesentlich weniger Speicherplatz als andere neurale Netzwerke
- KI-Systeme lernen die Bildverarbeitung mit dem CNN schneller
Convolutional Neural Network: Anwendungsgebiete
Das Netzwerk wird vor allem für die Bilderkennung eingesetzt und hat diesen Bereich in den vergangenen Jahren revolutioniert. Das CNN findet vor allem in der Gesichts- und Objektbestimmung viele Anwendungsgebiete.
Ein Anwendungsszenario des Convolutional Neural Network befindet sich zum Beispiel bei Versicherungen. Nach Naturkatastrophen, in denen versicherte Objekte zerstört wurden, stehen Versicherungen regelmäßig vor der Herausforderung, die Schäden ihrer Kunden festzustellen.
Einerseits sind die Kunden gerade nach solchen Vorfällen auf schnelle Hilfe angewiesen – dem stand jedoch lange Zeit entgegen, dass die Schadensprüfungen der Versicherungen recht viel Zeit in Anspruch genommen haben.
Das Convolutional Neural Network hat diesen Konflikt gelöst. Mithilfe von Luftaufnahmen können Versicherer nun zum Beispiel die Dächer ganzer Regionen mithilfe von Künstlicher Intelligenz analysieren und dabei feststellen, ob diese durch einen Sturm beschädigt wurden.
Dadurch sind sie in der Lage, die Schadensprüfungen schneller durchzuführen und Versicherungssummen schneller auszuzahlen.
Fazit
Das Convolutional Neural Network ist State of the Art, wenn es darum geht, Bilder mithilfe Künstlicher Intelligenz zu bearbeiten. Das neuronale Netz ist dem menschlichen Gehirn nachempfunden und in der Lage, die Merkmale eines Bildes zu erkennen und zu analysieren. Zudem erkennt es auch Verzerrungen und andere optische Veränderungen an einem Bild und verbraucht besonders wenig Speicherplatz.
Das Convolutional Neural Network besteht aus 3 Schichten: Der Convolutional-Schicht, der Pooling-Schicht und der vollständig verknüpften Schicht.
In der Convolutional-Schicht werden die Merkmale eines Bildes herausgescannt. In der Pooling-Schicht werden wertlose Daten entfernt. Die Ergebnisse dieser beiden Schritte fasst die vollständig verknüpfte Schicht zusammen.
Das Convolutional Neural Network kann überall da zum Einsatz kommen, wo Bilder mithilfe von Künstlicher Intelligenz analysiert werden sollen. Unternehmen sparen dadurch Zeit und Personalkosten. Versicherungsgesellschaften nutzen das neuronale Netz zum Beispiel, um Bilder von Schadensfällen automatisiert auszuwerten. Hiervon profitieren auch die Kunden, die sich wesentlich schneller über ihre Versicherungsauszahlung freuen können.
Sie haben weitere Fragen zum Thema Convolutional Neural Network? Treten Sie gerne mit uns in Kontakt! Wir beantworten Ihnen alle Anliegen rund um das Thema und besprechen, wie auch Sie sich die Technologie zu Nutze machen können.
FAQ
Was ist das Convolutional Neural Network?
Das Convolutional Neural Network ist ein künstliches neuronales Netzwerk, das dem Aufbau der Sehrinde im menschlichen Gehirn nachempfunden ist und bei Grafiken und Bildern angewandt wird. Man unterscheidet zwischen Convolutional-Schicht, Pooling-Schicht und vollständig verknüpfter Schicht.
Wie funktioniert das Convolutional Neural Network?
Jede Schicht im CNN hat eine eigene Aufgabe. So ist die Convolutional-Schicht für das Erkennen und Filtern von Merkmalen zuständig, die Pooling-Schicht analysiert und reduziert die entstandenen Daten auf die wichtigsten Merkmale, während die vollständig verknüpfte Schichte letztendlich die Ergebnisse aus beiden Schichten zusammenführt und verarbeitet.
Welche Vorteile bietet das Convolutional Neural Network?
Vorteile des CNN gegenüber anderen neuronalen Netzen sind z. B. die Verarbeitung von größeren Datenmengen im Zuge der Bilderkennung, die Erkennung von Bildverzerrungen und unterschiedlichen Lichtverhältnissen sowie auch der deutlich geringere benötigte Speicherplatz.
Wo werden Convolutional Neural Networks eingesetzt?
Zum einen finden CNNs Anwendung in der Gesichtserkennung- und Objektbestimmung. Des Weiteren werden sie aber auch in Versicherungsfällen genutzt, wie z. B. bei Naturkatastrophen, bei denen die Schäden analysiert werden können.
Verwandte Know-Hows
