Suche
Machine-Learning-Anwendungen

Maschinelles Lernen in der Praxis: Von Computerspielen lernen und Mode

Melanie Feldmann

© Shutterstock / chombosan

Die wohl bekannteste Anwendung für Maschinelles Lernen sind selbstfahrende Autos. Sie unterscheiden so Hunde von Kindern und Straßenlaternen von Erwachsenen. Forscher haben jetzt herausgefunden, dass sie mit Bildern aus Computerspielen schneller und besser lernen. Machine Learning macht außerdem einen weltweiten Blick auf den Fischfang möglich und dringt in den Modebereich vor.

Autonome Autos lernen besser mit Computerspielen

Selbstfahrende Autos nutzen Machine Learning, um ihre Umgebung zu erkennen und einen Hund von einer Straßenlaterne zu unterscheiden. Dazu nimmt eine Kamera hinter der Windschutzscheibe Fotos von der Umgebung auf. Danach müssen die verschiedenen Objekte markiert und beschriftet werden. Das ist ein ziemlich aufwendiger Prozess, der im Schnitt pro Bild 60 bis 90 Minuten dauert. Forscher an der Universität Darmstadt haben sich diesem Problem angenommen und sind auf die Lösung gekommen die Algorithmen der Autos mit dem Computerspiel GTA 5 zu trainieren. Dazu haben sie eine Schnittstelle entwickelt, die Objekte in den Spielszenen automatisch erkennt und markiert. Das dauerte für 25.000 Frames nur 49 Stunden. Dann trainierten die Forscher einen Algorithmus mit einem Drittel Echtfotos und Zweidrittel GTA-5-Daten. Laut den Forschern war das Ergebnis besser als mit Echtfotos allein.

Prothesen lernen Gesten

Um die Bewegung bionischer Prothesen präziser und zuverlässiger zu machen bauen Forscher der Fachhochschule Wallis eine Datenbank mit Gesten von gesunden und von amputierten Personen auf. Mithilfe von Machine Learning sollen die Prothesen so lernen Bewegungen weniger ruckartig und natürlicher auszuführen. Außerdem wollen  die Forscher verstehen, wie sich Amputationen genau auf das Gehirn auswirken. Denn manche Personen kommen mit ihren Prothesen besser zurecht als andere. Die Daten zeigen,  dass die Bewegungen präziser sind umso länger die Amputation zurückliegt und umso stärker die Phantomschmerzen sind.

Auflösungen hochrechnen wie im Fernsehen

Die Polizisten haben sich vor einem Monitor versammelt und starren gemeinsam auf die Bilder einer Überwachungskamera. Ein Detail fällt ins Auge. „Vergrößere das!“, ruft einer aufgeregt. Zwei Klicks und der gewünschte Bildausschnitt ist vergrößert und gestochen scharf. Spätestens hier zuckt jeder zusammen, der sich mit Bildverarbeitung ein wenig auskennt. Das dies in naher Zukunft wirklich möglich ist zeigt der Einsatz von Neuronalen Netzen, um aus niedrig auflösenden Bildern möglichst realitätsnahe höher auflösende zu generieren. Mit diesem GitHub-Repro und ein wenig Python lässt sich das direkt ausprobieren. Die Ergebnisse sind verblüffend. Die Hintergründe erklärt das Paper „Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network“.

Ein Blick auf den weltweiten Fischfang

Unter Global Fishing Watch kann sich jeder ansehen, wo gerade auf der Welt gefischt wird. Das soll Regierungen wie Privatpersonen einen besseren Einblick gewähren, wo und wie viel Fischerei stattfindet und welche Auswirkungen dies auf die Umwelt haben kann. Machine Learning kommt hier zum Einsatz, um verschiedenen Schiffstypen, wie Containerschiffe, Segler oder eben Fischereischiffe, das Fischerei Equipment und das Fischen selbst an den Bewegungsmustern zu erkennen. Die Datenbasis sind mehrere tausend manuell klassifizierte Schiffsbewegungen, insgesamt 37 Milliarden Datenpunkte über einen Zeitraum von viereinhalb Jahren.

Code macht Mode

Unter dem Projektnamen Muze haben sich Zalando und Google zusammengetan, um Machine Learning in die Modewelt zu bringen. Nutzer können so mithilfe von Maschinellem Lernen ihre eigenen 3D-Designs erstellen. Dazu haben die Entwickler das Neuronale Netz mit den Vorlieben von über 600 Modeexperten gefüttert. Auch Daten von Googles Fashion Trends Report und Zalandos eigene Style-Daten sind Teil des Mix. Die Anwendung fragt den Nutzer nach ihrem Musikgeschmack, der aktuellen Gemütslage, ihrem Alter und er muss etwas zeichnen. Daraus entsteht dann das eigene Stück Mode. Was dabei herauskommt ist meist originell, sieht aber nicht unbedingt tragbar aus – aber das kommt bei Haute Couture durchaus öfter vor. In der Gallery kann man sich die Ergebnisse der Nutzer ansehen, die sich leider oft sehr ähnlich sehen. Wahre Kreativität ist anscheinend noch eine manuelle Angelegenheit.

Geschrieben von
Melanie Feldmann
Melanie Feldmann
Melanie Feldmann ist seit 2015 Redakteurin beim Java Magazin und JAXenter. Sie hat Technikjournalismus an der Hochschule Bonn-Rhein-Sieg studiert. Ihre Themenschwerpunkte sind IoT und Industrie 4.0.
Kommentare

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.