KISS Projekt

KISS Projektziele

Deep Learning erlaubt es, technische Herausforderungen zu überwinden, welche bisher als unlösbar galten. Dazu benötigt man einerseits Lösungen, die effizient Trainingsdaten erzeugen und verarbeiten können, um daraus einen Lösungsansatz zu lernen. Andererseits besteht die Herausforderung darin, effiziente Implementierungen von zugehörigen vielschichtigen neuronalen Netzwerken zu ermitteln.

Das Ziel des KISS Projekts ist es, Methoden und Werkzeuge zu entwickeln, um dies zu erreichen. Auf der einen Seite werden dabei Werkzeuge entwickelt, die bessere und vollständigere Trainingsdaten generieren sollen und einen effizienteren Trainingsprozess ermöglichen. Auf der anderen Seite sollen auch Tools entstehen, die trainierte neuronale Netze in eine effiziente Implementierung auf verschiedenen Zielplattformen umwandeln können, darunter Mehrkernprozessoren (CPU), Grafikprozessoren (GPUs) und integrierten Schaltungen (FPGAs).

KISS Projekt
© Fraunhofer IIS
Werkzeige und Methoden KISS Projekte

KISS Projektangebote

Die Ergebnisse des KISS Projekts werden in zwei Formen angeboten:

  • Seminare zur Schulung und Weiterbildung zukünftiger Fachkräfte aus der Industrie und Universitäten
  • Fachwissen und Softwaretools, die Industriebeteiligte bei der Entwicklung konkurrenzfähiger Produkte helfen sollen

Falls Sie Interesse an diesen Angeboten haben, freuen wir uns über eine E-Mail oder einen Anruf von Ihnen.

Anwendungen

Das KISS Projekt behandelt Anwendungen aus dem Bereich der Signalverarbeitung im weiteren Sinne. Insbesondere bild- und audioverarbeitende Anwendungen stehen dabei im Fokus. Um eine hohe Praxistauglichkeit der entwickelten Werkzeuge und Methoden sicherzustellen, werden dabei während der Forschungsaktivitäten folgende beispielhafte Anwendungen in Betracht gezogen:

  • Sprechendenlokalisierung für die Identifikation der Quelle eines Audiosignals im 3D-Raum
  • Akustische Szenen- und Ereignisklassifizierung, um herauszufinden, unter welchen Bedingungen ein Soundschnipsel aufgenommen wurde
  • Berechnung von Tiefenkarten für ein oder mehrere Bilder, um den Tiefenwert pro Pixel ermitteln zu können
  • Bildsegmentierung und Objekterkennung

Die zu entwickelnden Werkzeuge und Methoden sind dabei jedoch nicht auf die oben genannten Beispiele limitiert. Sollten Sie also eine spezifische Anfrage für eine andere Anwendungsmöglichkeit haben, können Sie uns gerne kontaktieren. Gerne entwickeln wir für Sie eine auf Ihre spezifischen Bedürfnisse angepasste Anwendung.

Werkzeuge und Methoden

Generierung von Trainingsdaten und effizientes Training

Robuste neuronale Netzwerke erfordern ein großes Trainingsdatenset, dessen manuelle Erstellung sehr kostenintensiv und aufwändig wäre. Demzufolge widmet sich KISS der Entwicklung von Methoden und Werkzeugen, die diesen Prozess für bildverarbeitende Anwendungen vereinfachen. Konzepte hierfür beinhalten die Kombination von simulierten und realen Daten sowie automatische Datenanreicherung und paralleles Training.

 

System-Level Design Tools

Mit der Erforschung von System-Level Design Tools löst KISS die bisher offene Frage in der Entwurfsautomatisierung, wie trainierte neuronalen Netze automatisch in eine effiziente Implementierung überführt werden können. Ausgehend von einer Pytorch oder Tensorflow Implementierung wird zunächst der für das trainierte neuronale Netz notwendige Rechen- und Speicheraufwand reduziert. Dabei findet auch eine automatische Optimierung auf eine gegebene Hardware-Zielplattform statt. Die Ergebnisse werden dann in einem herstellfirmenübergreifenden Austauschformat gespeichert. Mit modernsten Compilern wird schließlich eine ausführbare Bibliothek erzeugt, welche in die von der Kundschaft gewünschte Lösung integriert werden kann.

 

KISS Projekt
© Fraunhofer IIS

Weiterbildungsangebote

Die industriellen KISS-Seminare basieren auf den Ergebnissen der durchgeführten Forschung und werden in Kürze als Online-Angebot kostenlos zur Verfügung stehen.


Wenn Sie als Unternehmen einen speziellen Bedarf bezüglich der Schulungsinhalte haben, kann das Seminar auch auf Ihre spezifischen Bedürfnisse für eine individuelle Schulung zugeschnitten werden. Kontaktieren Sie uns gerne, um mehr über diese Möglichkeit zu erfahren.

 

Wir bieten folgende Themenschwerpunkten an:

  • Optimierung und Bereitstellung von tiefen neuronalen Netzen
  • Vereinfachung und Komprimierung von neuronalen Netzwerken
  • Fortgeschrittene Traingsverfahren für tiefe neuronale Netze
 

Weitere Informationen

SLOHA Workshop

Um den wissenschaftlichen Austausch zu stärken, haben wir am 5. Februar im Rahmen der DATE Konferenz einen Workshop zum Thema „System-level Design Methods for Deep Learning on Heterogeneous Architectures“ organisiert.

Dabei waren unter anderem die folgenden Beiträge zu sehen, von welchen wir nun die Videoaufnahmen anbieten können:

“In-Sensor ML - Heterogeneous Computing in a mW”
Luca Benini, ETH Zürich, Switzerland

“Specialization in Hardware Architectures for Deep Learning”
Michaela Blott, Xilinx Research, Ireland

“Vision Dynamics for controlling autonomous vehicles”
Sorin Grigorescu, Transilvania University of Brasov and Elektrobit Automotive, Romania

“SoCs for Autonomous Vehicles: Agile Design and Programmability Challenges”
Augusto Vega, IBM T. J. Watson Research Center, USA

Veröffentlichungen

Über das Projekt

Das Projektakronym »KISS« steht für »KI Labor Systemdesign für Maschinelles Lernen in Anwendungen der Signalverarbeitung«. Es wird vom deutschen Bundesministerium für Bildung und Forschung unter der Projektnummer 01IS19070A gefördert.

 

Die Laufzeit des KISS Projekts ist vom 1. Oktober 2019 bis zum 30. September 2021 angelegt.

 

 

Logo Bundesministerium für Bildung und Forschung (BMBF)

Kooperation

KISS ist ein gemeinsames Projekt der beiden Verbundpartner Fraunhofer IIS und der Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl für Hardware-Software-Co-Design). Weitere Informationen über das Projekt und zum Thema künstliche Intelligenz können Sie auch hier finden.

 

Zurück zu Audio und Medientechnologien

 

Mitwirkende

Die Friedrich-Alexander-Universität Erlangen-Nürnberg ist Mitglied des Projekts.

Credits Header: Fraunhofer IIS/fotomek – fotolia.de