{"id":4708,"date":"2021-11-17T03:38:13","date_gmt":"2021-11-17T03:38:13","guid":{"rendered":"https:\/\/lamarr-institute.org\/blog\/semantische-segmentierung\/"},"modified":"2025-11-12T14:54:47","modified_gmt":"2025-11-12T14:54:47","slug":"semantische-segmentierung","status":"publish","type":"blog","link":"https:\/\/lamarr-institute.org\/de\/blog\/semantische-segmentierung\/","title":{"rendered":"Pflanzen laufen nicht auf der Stra\u00dfe: Mithilfe von menschlichem Wissen zu einer verl\u00e4sslichen semantischen Segmentierung"},"content":{"rendered":"\n

Tiefe neuronale Netze sind ein wesentlicher Bestandteil des autonomen Fahrens, da sie bei einer Reihe von Aufgaben, insbesondere bei der bildbasierten Umgebungswahrnehmung, un\u00fcbertroffene Leistungen erzielen. Dennoch sind sie anf\u00e4llig f\u00fcr zuf\u00e4llige oder gezielte St\u00f6rungen, was die Arbeit mit diesen Modellen in sicherheitskritischen Anwendungen erschwert. Etwaige St\u00f6rungen k\u00f6nnen nat\u00fcrliche Ursachen haben, wie \u00dcberbelichtung, Nebel, Schnee, oder k\u00fcnstlich und absichtlich erzeugt worden sein. Ein Beispiel hierf\u00fcr sind gegnerische Angriffe<\/a>.<\/p>\n\n\n\n

Gezielt herbeigef\u00fchrte Fehler in Vorhersagen sind f\u00fcr menschliche Betrachter meist offensichtlich: Denn Menschen wenden intuitiv mehrere Regeln auf der Grundlage ihres Wissens und ihrer Erfahrung an, um zu erkennen, was in einer bestimmten Szene geschieht. Neuronale Netze in ihrer gegenw\u00e4rtigen Form zielen darauf ab, diese Regeln implizit aus Daten zu lernen. Das erfordert die Erfassung und Annotation gro\u00dfer Mengen von Eingaben und birgt dar\u00fcber hinaus die Gefahr, falsche Korrelationen anzunehmen. Die Integration von Szenenwissen in das Training oder die Inferenz neuronaler Netze scheint eine L\u00f6sung zu sein. Allerdings reicht dieses Wissen<\/a> von \u00dcberlegungen zur Szenengeometrie \u00fcber allgemeines Wissen bis hin zu Regeln des menschlichen Verhaltens und wird damit zu einer komplexen Herausforderung. Es gibt dabei nicht nur eine Reihe von konkurrierenden Ans\u00e4tzen zur Integration von Wissen, sondern auch mehrere M\u00f6glichkeiten, dieses Wissen selbst darzustellen.<\/p>\n\n\n\n

Probabilistic Soft Logic f\u00fcr die Wissensaufnahme<\/span><\/h2>\n\n\n\n

Wir untersuchen eine Methode zur Darstellung von Wissen in Form von Beziehungen, die als logische Regeln zwischen identifizierten Objekten in einer Verkehrsszene beschrieben werden, und analysieren, wie diese Beziehungen zur Robustheit der datengesteuerten Umgebungswahrnehmung genutzt werden k\u00f6nnen. W\u00e4hrend mehrere bestehende Forschungslinien ausschlie\u00dflich Dom\u00e4nenwissen f\u00fcr die Erstellung eines Modells verwenden, ist es unser Ziel, den datengesteuerten Ansatz und High-Level-Wissen im Rahmen der Inferenz zu kombinieren.<\/p>\n\n\n\n

\"-
\u00a9 Fraunhofer IAIS
Um Verkehrsszenen zu verstehen und dar\u00fcber nachzudenken, orientieren sich die meisten Menschen anhand von Beziehungen zwischen Objekten. Unter der Voraussetzung, dass alle Objekte identifiziert wurden, kann das gemeinsame Wissen \u2013 das sowohl das Verhalten als auch die Merkmale beschreibt \u2013 in Form von Regeln abgegrenzt werden.<\/figcaption><\/figure>\n\n\n\n

Bei verschiedenen Verkehrsszenen kann der Mensch typischerweise allgemeines und empirisches Wissen \u00fcber das Verhalten und die Merkmale von Objekten nutzen, um auf ihre Art und Beziehungen innerhalb der Szene zu schlie\u00dfen. Dies gilt auch f\u00fcr ungesehene Szenarien. Dieses allgemeine Wissen, das verschiedene Merkmale und Beziehungen von Objekten ber\u00fccksichtigt, kann teilweise als eine Reihe einfacher Regeln kodiert werden. Die Art und Weise, wie ein Mensch \u00fcber seine Umgebung nachdenkt, kann jedoch nicht auf strenger Boolescher Logik basieren, bei der Regeln strikt wahr oder falsch sind. Ein Objekt, unter dem ein Zebrastreifen verl\u00e4uft und das in der N\u00e4he eines Verkehrsschildes steht, ist mit hoher Wahrscheinlichkeit ein Mensch. Es besteht aber auch die M\u00f6glichkeit, dass es sich um ein anderes Objekt handelt, zum Beispiel um einen Hund oder ein Hindernis auf einer Baustelle. Um solch hochrangiges menschliches Wissen auf die gleiche „unsichere“ Weise in ein neuronales Netz zu integrieren, m\u00fcssen wir logische Regeln mit \u201elockeren\u201c Wahrheitswerten definieren. Zu diesem Zweck adaptieren wir das Probabilistic Soft Logic (PSL) Framework<\/a>, um Beziehungen zwischen Objekten in der Umgebung zu definieren und zu lernen. Wir haben PSL aus zwei Gr\u00fcnden als Rahmen f\u00fcr die Wissensrepr\u00e4sentation gew\u00e4hlt:<\/p>\n\n\n\n