
Generierung von Fahrzeug-Datensätzen
Geringere Trainingskosten für neuronale Netze zur Fahrzeugposenschätzung durch synthetische Daten
Geschäftliche Herausforderung
Für ein aktuelles Projekt für eine mobile App musste Laan Labs ein Augmented-Reality-Erlebnis rund um das Äußere eines Automobils schaffen. Um realistische Grafiken in AR auf ein Auto zu legen, müssen Position und Ausrichtung des Fahrzeugs in Echtzeit präzise geschätzt werden.
Bilddaten für das Training sind oft sehr teuer in der Beschaffung und erfordern unter Umständen eine arbeitsintensive, fehleranfällige manuelle Annotation. Autos sind besonders groß und glänzend – und sehen wegen ihres hohen Reflexionsgrads je nach Wetterbedingungen und Umgebung sehr unterschiedlich aus.
Laan Labs musste mehr als 10.000 Bilder zusammentragen, die die realen Bedingungen abbilden, auf die ein Nutzer beim Fotografieren eines Autos mit dem Smartphone treffen kann.
Synthetische Daten liefern einzigartige, fotorealistische Bilder mit präzisen Ground-Truth-Labels
Vorgehen
Laan Labs setzte auf synthetische Daten und entwickelte dafür eine Software, die einzigartige, fotorealistische Bilder mit präzisen Ground-Truth-Labels erzeugt. Eine Auswahl von durch Künstler erstellten 3D-Fahrzeugmodellen, Hintergrundszenen und Beleuchtungsmodellen bildete die Grundlage einer 3D-Umgebung. Die Bildannotationen wurden direkt aus der 3D-Szene berechnet. Verschiedene Aspekte der Szene wurden parametrisiert, etwa Kamerawinkel, Beleuchtung und Hintergrund. Fahrzeugspezifische Attribute wie Fahrzeugpose, Lackfarbe und Mattierung, Scheibentönung und Radwahl waren anpassbar. Mit der parametrisierten 3D-Szene lassen sich per Cloud Computing unzählige Varianten annotierter Fahrzeugbilder prozedural rendern.
Geschäftlicher Nutzen
Durch die Generierung synthetischer Daten erzeugte Laan Labs die für das Projekt benötigten mehr als 10.000 beschrifteten Bilder, ohne Tausende echter Autos zu fotografieren und von Hand zu annotieren. Die Labels wurden direkt aus der 3D-Szene berechnet, wodurch die manuelle Annotation und die damit verbundenen Fehler entfielen. Neue Varianten bei Beleuchtung, Lack und Hintergrund ließen sich durch Ändern von Parametern hinzufügen, ohne ein weiteres Fotoshooting zu organisieren. Der Datensatz diente dem Training des Modells zur Fahrzeugposenschätzung hinter dem Augmented-Reality-Erlebnis der App.
Eingesetzte Technologien
Computer Vision, Neuronale Netze, Augmented Reality, Python, iOS, TensorFlow, CoreML
Zusammenarbeit mit Laan Labs
Computer-Vision- & KI-Entwicklung
Individuelle Computer Vision und maschinelles Lernen, vom Proof of Concept bis zur Produktion, auf dem Gerät und in der Cloud.
Diesen Artikel herunterladen
Markdown-Quelltext zum Offline-Lesen herunterladen

