KI Tracking Kamera
Erste Auto Tracking Kamera mit NNE Mikrochip (Neural Net-Engine) mit Deep-Learning-Technologie zur Gesichtsermittlung und der möglichen Richtung und Bewegung der Person. Das ermöglicht eine sanfte und reibungslose Verfolgung des Vortragenden, unabhängig davon, wohin das Gesicht der Person blickt. Dadurch steuert sich die Kamera situationsbedingt von selbst, in dem sie in dem Trackingbereich lernt wie sie der vortragenden Person gleichmäßig und ruhig folgen kann.
Einige unserer Kamera Modelle sind nun mit integrierten KI-Tracking-Algorithmen und intelligenten Umschaltstrategien ausgestattet, die einen Echtzeitwechsel verschiedener Perspektiven ermöglichen, einschließlich Panorama- und Nahaufnahmen des Lehrers, Panorama- und Nahaufnahmen der Schüler sowie Nahaufnahmen des Whiteboards des Lehrers.
Mehrere Kameras für Hybride Meetings
Für den jeweiligen Raum werden nur zwei Kameras benötigt und verschiedene Perspektiven zu erfassen. Entscheidend ist, daß keine manuelle Steuerung durch einen „Kamera Mann“ zur Umschaltung und Erkennung der sprechenden Person benötigt wird. Diese Funktion übernimmt die KI in dem Kamera Chip.
KI Tracking Kamera für Schulungsräume
Die eingebettete NNE-Hardwareeinheit nutzt Deep-Learning-Technologie zum ermitteln von Zielmerkmalen, unabhängig davon, wohin das Gesicht der Person blickt. So wird eine reibungslose Verfolgung der vortragenden Person erreicht, die für die automatische Sprecherverfolgung und andere Anwendungsszenarien geeignet ist. Der erweiterte Deep-Learning-Algorithmus ist so angepasst, dass er die Größe des Bildwinkels automatisch an die Personen im Erkennungssichtfeld anpasst, sodass keine manuelle Anpassung der Kamera erforderlich ist, und Sie das beste Videobild Ergebnis erhalten.
KI Tracking Kamera für den Unterricht
Ein NNE Mikrochip (Neural Net-Engine) arbeitet mit Deep-Learning-Technologie um die KI-Tracking-Algorithmen und intelligenten Umschaltstrategien zu berechnen. Anders als KI Technologien die auf Servern in Rechenzentren online arbeiten, verfügt die KI Kamera über einen eigenen KI Mikro-Chip auf der Basis eines neuralen Netzwerk als NNE-Hardware Chip.
Zur Gesichts- und Personenerkennung werden KI Mikrochips auch in Überwachungskameras eingesetzt. Einige KI Autotracking Kamera Modelle sind nun ebenfalls mit Deep Learning NNE Hardware ausgestattet. Wobei die in der Kamera ermittelten Daten nur zur Steuerung des Motors verwendet werden, die Kamera besitzt keine Verbindung zum Internet oder irgendwelche Server. Personenbezogene Daten werden nicht erfasst.
KI Deep Learning und neuronale Netzwerke
„Deep Learning“ bricht gerade alle Rekorde im Bereich der künstlichen Intelligenz.
Der Unterschied:
Ein neuronales Netzwerk ist eine Form des maschinellen Lernens, bei der die vernetzten Neuronen des menschlichen Gehirns modelliert werden.
Im menschlichen Gehirn ist jedes Neuron mit einem anderen Neuron verbunden, um Informationen zu empfangen, zu verarbeiten und an andere Neuronen weiterzuleiten.
Neuronale Netzwerke empfangen auf ähnliche Weise Informationen in der Eingabeschicht, verarbeiten sie in mindestens einer verborgenen Zwischenschicht und geben das Ergebnis dann an die Ausgabeschicht weiter. In seiner einfachsten Form besteht ein neuronales Netzwerk also aus einer Eingabeschicht, einer verborgenen Zwischenschicht und einer Ausgabeschicht.
Deep Learning besteht aus mehreren verborgenen Schichten neuronaler Netzwerke, die komplexe Rechenoperationen mit riesigen Mengen strukturierter und unstrukturierter Daten durchführen. Sie erkennen Muster in realen Daten wie Bildern, Videos, Texten, Tönen und Zeitreihen (zeitliche Abfolge von Daten) und verwenden diese Informationen, um die Genauigkeit ihrer Vorhersagen zu verbessern.
Die KI Herausforderung
In der Regel benötigt Deep Learning enorme Rechenleistung um intelligente Schlußfolgerungen zu ziehen, deshalb werden die meisten Anwendungen auf Servern mit nahezu unbegrenzter Prozessor- und Speicher Ressourcen ausgeführt, was damit aber auch zu einem hohen Stromverbrauch führt.
Um die Bewegungs-Richtung einer Person zu erkennen, muss sich die KI auf die räumlichen Bedingungen wie z.B. den ändernden Lichtverhältnissen, Schatten und die Position eines Gesichts einstellen. Und sich nicht davon beirren zu lassen, wenn sich eine andere Person durch das Videobild bewegt oder ein Video im Hintergrund Personen zeigt. Zudem darf sich eine Kamera nicht durch das vorhandensein von Gesichtern in Gemälden und Bildern an der Wand irritieren lassen.
Damit eine KI mit Deep Learning direkt in der Kamera selbst ausgeführt werden kann, wird eine spezielle Neural Net Engine in Form eines NNE Hardware Mikrochip verwendet.
Bei unserer kleinsten Kamera mit KI Deep Learning liegt der Stromverbrauch unter 5W. Und damit belegt dass unsere Produkte auf den geringesten Stromverbrauch ausgelegt sind.
Wie funktioniert ein analoges neuronales Netzwerk?
Ingenieure vom MIT, die sich mit „analogem Deep Learning“ beschäftigen, haben einen Weg gefunden, Protonen mit beispielloser Geschwindigkeit durch Festkörper zu treiben.
Programmierbare Widerstände sind die Schlüsselbausteine beim analogen Deep Learning, genau wie Transistoren die Kernelemente digitaler Prozessoren sind. Durch die Wiederholung von Anordnungen programmierbarer Widerstände in komplexen Schichten können Forscher ein Netzwerk analoger künstlicher „Neuronen“ und „Synapsen“ erstellen, die Berechnungen genau wie ein digitales neuronales Netzwerk ausführen. Dieses Netzwerk kann dann trainiert werden, um komplexe KI-Aufgaben wie Bilderkennung und Verarbeitung natürlicher Sprache zu erfüllen.
Das Team der MIT-Forschern machte sich daran, die Geschwindigkeitsbegrenzungen einer Art von Menschen hergestellter analoger Synapse zu überschreiten, die sie zuvor entwickelt hatten . Sie verwendeten im Herstellungsprozess ein praktisches anorganisches Material, das es ihren Geräten ermöglicht, eine Million Mal schneller zu laufen als frühere Versionen, was auch etwa eine Million Mal schneller ist als die Synapsen im menschlichen Gehirn.
Darüber hinaus macht dieses anorganische Material den Widerstand äußerst energieeffizient. Im Gegensatz zu den Materialien, die in der früheren Version ihres Geräts verwendet wurden, ist das neue Material mit Silizium-Herstellungstechniken kompatibel. Diese Änderung hat die Herstellung von Geräten im Nanometerbereich ermöglicht und könnte den Weg für die Integration in kommerzielle Computerhardware für Deep-Learning-Anwendungen ebnen.
Im menschlichen Gehirn geschieht Lernen durch die Stärkung und Schwächung der Verbindungen zwischen Neuronen, den sogenannten Synapsen. Tiefe neuronale Netze haben diese Strategie schon lange übernommen, bei der die Netzgewichte durch Trainingsalgorithmen programmiert werden. Bei diesem neuen Prozessor ermöglicht das Erhöhen und Verringern der elektrischen Leitfähigkeit von Protonenwiderständen analoges maschinelles Lernen.
Um einen superschnellen und äußerst energieeffizienten programmierbaren protonischen Widerstand zu entwickeln, suchten die Forscher nach verschiedenen Materialien für den Elektrolyten. Während andere Geräte organische Verbindungen verwendeten, konzentrierte sich Onen auf anorganisches Phosphosilikatglas (PSG).
PSG ermöglicht eine ultraschnelle Protonenbewegung, da es eine Vielzahl nanometergroßer Poren enthält, deren Oberflächen Wege für die Protonendiffusion bieten. Es hält auch sehr starken, gepulsten elektrischen Feldern stand. Dies sei von entscheidender Bedeutung, erklärt Onen, da das Anlegen einer höheren Spannung an das Gerät es den Protonen ermöglicht, sich mit rasender Geschwindigkeit zu bewegen.
Da die Protonen das Material nicht beschädigen, kann der Widerstand Millionen von Zyklen durchlaufen, ohne auszufallen. Dieser neue Elektrolyt ermöglichte einen programmierbaren protonischen Widerstand, der eine Million Mal schneller als das vorherige Gerät ist und bei Raumtemperatur effektiv arbeiten kann, was für die Integration in Computerhardware wichtig ist.
Quelle: MIT News
Ext. Link: AI Chips