Computer Vision

Definition

Computer Vision (CV) ist das Teilgebiet der künstlichen Intelligenz, das sich mit der automatisierten Interpretation visueller Information beschäftigt. Eingabe sind Pixelmatrizen aus Standbildern, Videoframes, 3D-Scans oder multispektralen Sensoren. Ausgabe sind semantische Repräsentationen, die für Menschen und nachgelagerte Systeme verwertbar sind, etwa Klassenlabels, Bounding Boxes, Segmentierungsmasken, 3D-Posen oder textuelle Bildbeschreibungen.

Der Begriff entstand in den 1960er Jahren als Forschungsfeld der KI mit dem Anspruch, das menschliche Sehen algorithmisch nachzubilden. Durch die Deep-Learning-Revolution ab 2012 hat sich das Feld grundlegend gewandelt: statt handgebauter Feature-Extraktoren übernehmen tiefe neuronale Netze die gesamte Pipeline von Pixel zu Semantik.

Mechanismus und Architektur

Moderne Computer-Vision-Systeme bestehen typischerweise aus drei Komponenten:

• Backbone: Extrahiert Feature-Repräsentationen aus den Pixeln. Klassisch ein CNN (ResNet, EfficientNet), heute oft ein Vision Transformer (ViT, Swin) oder Hybridmodell (ConvNeXt).
• Neck oder Feature-Pyramide: Aggregiert Features über mehrere Auflösungsebenen, wichtig für Multi-Scale-Detection.
• Head: Aufgabenspezifischer Ausgabe-Layer, etwa Klassifikator, Detector (anchor-based oder anchor-free), Segmentation-Decoder oder Pose-Regressor.

Trainingsdaten bestehen aus annotierten Bildern. Verlustfunktionen variieren je Aufgabe: Cross-Entropy für Klassifikation, IoU- oder DIoU-Loss für Detection, Cross-Entropy oder Dice-Loss für Segmentation.

Foundation Models wie CLIP, DINOv2 oder SAM lernen task-agnostische Repräsentationen aus riesigen Mengen schwach gelabelter Daten und werden anschliessend mit minimalem Aufwand für konkrete Aufgaben adaptiert.

Praxis und Anwendung

Produktive Einsatzfelder mit hoher Reife:

• Medizinische Bildgebung: Radiologische Befundung, Histopathologie, Dermatologie. Modelle erreichen oft Facharztniveau bei klar abgegrenzten Aufgaben.
• Autonomes Fahren: Lane Detection, Object Detection, Tracking, Free Space Estimation, 3D-Punktwolken-Verarbeitung aus Lidar.
• Industrielle Qualitätskontrolle: Anomaly Detection in Fertigungslinien, Oberflächenfehlererkennung, Massprüfung.
• Einzelhandel: Self-Checkout, Diebstahlerkennung, Regalmonitoring, Sortimentsanalyse.
• Landwirtschaft: Krankheitserkennung an Pflanzen, Ertragsprognose, Drohnenbild-Analyse.
• Sicherheit: Gesichtserkennung, Verhaltensanalyse, Verkehrsmonitoring.
• Content Moderation: Erkennung gewaltvoller oder sexueller Inhalte auf Social-Media-Plattformen.

Implementierungstools sind PyTorch, TensorFlow, OpenCV (klassische Algorithmen), HuggingFace (vortrainierte Modelle), Ultralytics (YOLO-Familie) und Cloud-APIs von Google, AWS und Azure.

Häufige Fehler

• Datenleckage zwischen Train und Test: Bilder aus derselben Serie oder Aufnahmesession in Train und Test führen zu unrealistisch guten Metriken.
• Domain Shift unterschätzen: Ein auf sonnigen Bildern trainiertes Modell versagt bei Regen oder Nacht. Domain Adaptation ist Pflichtdisziplin.
• Annotation-Qualität ignorieren: Schlechte Labels limitieren das Modell hart. Inter-Annotator Agreement messen und Qualitätskontrolle einrichten.
• Klassenungleichgewicht: Seltene Klassen werden vom Modell ignoriert, wenn nicht durch Sampling, Loss-Gewichtung oder Augmentation gegengesteuert wird.
• Falsche Metriken wählen: Accuracy ist bei unbalancierten Datensätzen irreführend. F1, Precision-Recall-Curves und mAP sind oft aussagekräftiger.
• Adversarial Robustness vernachlässigen: Modelle versagen bei manipulierten Pixeln, die für Menschen unsichtbar sind. Im sicherheitskritischen Einsatz unverzichtbar.

Abgrenzung

• Image Processing: Verarbeitet Bilder zu Bildern (Rauschen, Filter, Kompression). Computer Vision extrahiert Semantik. Image Processing ist häufig Vorverarbeitung.
• Computer Graphics: Erzeugt Bilder aus Modellen (Rendering). Computer Vision ist die inverse Richtung: Modell aus Bild.
• Visual Question Answering: Erweitert Computer Vision um Sprachverarbeitung. Mit Vision-Language-Modellen verschmelzen die Felder.
• Robotik-Perception: Nutzt Computer Vision als Baustein, kombiniert sie aber mit Sensorfusion (IMU, Lidar, Ultraschall) und Aktionsplanung.
• Multimodal Learning: Computer Vision ist eine Modalität; multimodale Systeme kombinieren Bild, Text, Audio und manchmal Video oder 3D.