Bachelorarbeit
Ziel dieser Bachelorarbeit ist es zu untersuchen, wie KNNs mit möglichst wenig Speicher und Rechenaufwand optische Gesten in Videoströmen mit sehr geringer Auflösung erkennen können. Dazu muss herausgefunden werden, welche Struktur die KNNs haben sollten (z. B. Perceptron vs. RNN, Anzahl Ebenen, Anzahl Neuronen, Aktivierungsfunktionen, ...). Außerdem muss betrachtet werden, inwieweit Numeriken mit geringer Bitbreite (z. B. 8-Bit-Festkomma) eingesetzt werden können, um die Ausführungszeiten auf 8-Bit Mikrocontrollern ohne FPU zu beschleunigen. Die untersuchten Ansätze müssen miteinander verglichen werden. Dabei müssen auch die Erkennungsquoten ("Geste nicht erkannt" und "nicht vorhandene Geste erkannt") verglichen und die Robustheit der Ansätze gegen unterschiedliche Lichtverhältnisse und unruhige Hintergründe untersucht werden. Außerdem soll abgeschätzt werden, wieviele Rechenoperationen und wieviel Speicher zur Ausführung des KNNs erforderlich sind und ob ein ATmega328P hierfür ausreicht.
Für die Untersuchungen sollen KNNs auf PCs trainiert und ausgeführt werden. Wenn möglich sollen dazu verfügbare KNN-Werkzeuge (z. B. Keras / Tensorflow) eingesetzt werden. Für die Untersuchung von Numeriken mit geringer Bitbreite und die Abschätzung benötigter Rechenoperationen und des benötigten Speichers, ist es voraussichtlich erforderlich die Ausführung des vielversprechendsten KNN in einer Hochsprache (voraussichtlich in C) zu implementieren. Für alle Untersuchungen muss beachtet werden, dass die Zielplattform zukünftig ein kleiner 8-Bit-Mikrocontroller (z. B. der ATmega328P) sein wird.
| Enddatum | 31. Oktober 2018 |
| Betreuer |
Dr. Marcus Venzke
|