DeepFrame

instagram linkedin

Dataset Engineering and Evaluation Procedures For Reconstructive Neural Architectures with Modal Expandability

- Robuste und zuverlässige künstliche Intelligenz für die Industrie -
In einer zunehmend digitalen Welt gewinnen Verfahren der künstlichen Intelligenz (KI) in industriellen Prozessen zunehmend an Bedeutung.
Das Forschungsprojekt DeepFrame zielt darauf ab, die Robustheit, Qualität und Zuverlässigkeit von KI-Systemen zu verbessern, insbesondere in herausfordernden und unerwarteten Situationen.

Ausgangslage

Durch das Projekt DeepFrame werden sowohl Ergebnisse im Bereich der Grundlagenforschung (Fusions-Modell-Architekturen) als auch im Bereich der praktischen - insbesondere industriellen - Anwendung erzielt.
Mit den Erkenntnissen und den Implementierungen von DeepFrame, lassen sich beispielsweise Verbesserung bestehender Sensortechnologien durch Frame-Rekonstruktion und Super-Resolution erreichen.
Die Robustheit der trainierten KI-Modelle gegenüber externen und unerwarteten Einflüssen wird durch die gezielte Analyse und Anpassung der synthetischen Daten erstmals bewertbar und signifikant gesteigert.
Durch diese Robustheitsbewertung der KI-Systeme wird das Vertrauen der Anwender gestärkt und die Hürde für deren Einsatz entscheidend gesenkt.
Die Ergebnisse von DeepFrame bieten darüber hinaus zahlreiche Transfermöglichkeiten in andere Anwendungsfelder, wie unter anderem:

(1) Medizin: Zuverlässige Krebserkennung durch synthetische Daten.
(2) Bau und Verkehr: Multimodale Zustandsüberwachung mit Sensor- und Planungsdaten.
(3) Landwirtschaft: Robuste Schädlingserkennung trotz starker externer Störungen.

Projektziele

DeepFrame verfolgt zwei zentrale Lösungsansätze:

(A) Datenfokussierung: Entwicklung eines interpretierbaren Bewertungssystems zur Beurteilung der Robustheit von Kl-basierten Sensorsystemen.
Optimierung der synthetischen Datengenerierung, um die Robustheit der trainierten Systeme zu erhöhen.
Entwicklung robuster Trainingsstrategien mit Fokus auf die Zusammensetzung und Reihenfolge der Datensätze.

(B) Architekturfokus: Entwicklung neuer Modellarchitekturen zur Fusion und Rekonstruktion von Sensordaten. Entwicklung von spezifischen
Trainingsprozessen für multimodale Modelle mit maskierten Eingangsdaten. Analyse des latenten Raums für eine robuste Sensordatenfusion
und -rekonstruktion. Durch die Kombination dieser Ansätze sollen Synergieeffekte genutzt werden, um robustere und zuverlässigere KI-Systeme zu entwickeln.

Beitrag für die deutsche Industrie

Das Forschungsprojekt DeepFrame stärkt die Innovationskraft und die Wettbewerbsfähigkeit deutscher Unternehmen, insbesondere bei kleinen und mittleren Unternehmen (KMU). Das Projekt fördert Spitzentechnologien im Bereich der KI und unterstützt die Automatisierbarkeit
realer Industrieprozesse durch zuverlässige und robuste KI-Systeme. Die entwickelten Werkzeuge und Methoden werden auch als Dienstleistung angeboten, um andere Unternehmen bei der Entwicklung, Inbetriebnahme und Optimierung ihrer KI-Systeme zu unterstützen.
DeepFrame stellt somit einen wichtigen Schritt in Richtung einer effizienteren und robusteren industriellen Anwendung von KI dar.