Refine
Document Type
- Bachelor Thesis (1)
- Master's Thesis (1)
Language
- German (2)
Has Fulltext
- yes (2)
Is part of the Bibliography
- yes (2)
Keywords
- Autonomes Fahrzeug (1)
- Biometrie (1)
- Gesichtserkennung (1)
- Künstliche Intelligenz (1)
- Maschinelles Lernen (1)
- Neuronales Netz (1)
- Zeiterfassung (1)
- Zugriffskontrolle (1)
Diese Arbeit wurde extern bei der Firma TQ-System durchgeführt. Die Firma bietet seit kurzem ein Modul an, das über Hardwarebeschleunigung für neuronale Netze verfügt. Das Ziel der Arbeit ist es, für dieses TQ-Modul eine Demoapplikation zu erstellen, die dessen Fähigkeiten mit Machine Learning präsentiert. Im Zuge dieser Demo ist ein motorisiertes Modellauto in der Lage, selbstständig und nur mithilfe einer Weitwinkelkamera entlang einer abgesteckten Strecke zu steuern. Das Vorbild, dessen Ansatz bei der Entwicklung verfolgt wurde, ist ein 2016 demonstriertes selbstfahrendes Auto von Nvidia. Das Programm ist vollständig in Python geschrieben. Das verwendete Framework, mithilfe dessen das neuronale Netz erstellt und trainiert wurde, ist TensorFlow. Die Steuerung des Fahrzeugs funktioniert trotz begrenztem Entwicklungsaufwand und wenig Training sehr gut. Das Modellauto bleibt zuverlässig auf der Strecke und dank der Hardwarebeschleunigung bleibt die Berechnungszeit des trainierten neuronalen Netzes unter einer Millisekunde.
Diese Arbeit ist eine Studie zu biometrischer Gesichtserkennung auf Embedded Hardware, die extern bei der Firma TQ-Systems durchgeführt wurde. Es werden verschiedene Architekturen von künstlichen neuronalen Netzen mit dem synthetisch erzeugten DigiFace-1M Datensatzes von Microsoft trainiert. Dafür werden verschiedene Trainingsstrategien recherchiert und getestet. Es wird auch eine neue Strategie vorgeschlagen, die sich gegenüber den bereits etablierten Methoden beweisen kann. Dabei handelt es sich um eine modifizierte Version von ArcFace, bei der sich der Margin Parameter dynamisch an den Trainingsfortschritt des Modells anpasst. Die Methode wurde AdaAcos getauft und über GitHub als PyTorch-Implementierung veröffentlicht. Die trainierten Modelle werden anschließend mit dem kürzlich erschienenen TQMa93xxLA Modul von TQ-Embedded implementiert und mit der integrierten Ethos-U65 NPU beschleunigt. Die erreichte Performance überrascht mit besseren Latenzzeiten im Vergleich mit dem eigentlich leistungsstärkeren Vorgängermodul. Abschließend wird eine ausführliche Recherche im Themengebiet der Presentation Attack Detection durchgeführt, um Möglichkeiten zu ermitteln, mit denen eine Gesichtserkennung gegen Täuschungsversuche gesichert werden kann.