{"id":18034,"date":"2022-11-28T13:18:00","date_gmt":"2022-11-28T12:18:00","guid":{"rendered":"https:\/\/www.m-q.ch\/?p=17210"},"modified":"2024-11-20T07:59:08","modified_gmt":"2024-11-20T06:59:08","slug":"forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten","status":"publish","type":"post","link":"https:\/\/www.organisator.ch\/de\/operational-excellence\/2022-11-28\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\/","title":{"rendered":"Forscher finden Weg f\u00fcr Maschinelles Lernen ohne echte Bilddaten"},"content":{"rendered":"
\"Maschinelles\r\n
Maschinelles Lernen mit synthetisch erzeugten Bildern: Amerikanische Forscher haben einen Weg gefunden, wie sich Bildklassifizierungsmodelle auch ohne echte Bilddaten ad\u00e4quat trainieren lassen. (Symbolbild; Unsplash.com)<\/figcaption>\r\n<\/figure>\r\n

In der Medizin kommen immer h\u00e4ufiger Computersysteme zum Einsatz, die mittels k\u00fcnstlicher Intelligenz Bilder interpretieren und \u00c4rzte beim Stellen von Diagnosen unterst\u00fctzen. Dies funktioniert, indem sie die neuen Bilder mit mit schon bestehenden Bilddaten abgleichen. Dabei \u201elernt\u201c die Maschine laufend mit. Maschinelles Lernen anhand von Bildern hat aber seine T\u00fccken.<\/p>\r\n

Urheberrechte k\u00f6nnen maschinelles Lernen verhindern<\/h3>\r\n

Die Verwendung echter Bilddaten f\u00fcr das Training von maschinellem Lernen kann n\u00e4mlich praktische und ethische Probleme aufwerfen: Die Bilder k\u00f6nnten gegen Urheberrechtsgesetze verstossen, die Privatsph\u00e4re von Menschen verletzen oder einer bestimmten Rasse oder ethnischen Gruppe gegen\u00fcber voreingenommen sein. Um diese Fallstricke zu vermeiden, k\u00f6nnen Forscher mit Hilfe von Bildgenerierungsprogrammen synthetische Daten f\u00fcr das Modelltraining erstellen. Diese Techniken sind jedoch nur begrenzt einsetzbar, da h\u00e4ufig Expertenwissen erforderlich ist, um ein Bilderzeugungsprogramm zu entwerfen, das effektive Trainingsdaten erzeugen kann.<\/p>\r\n

Forscher des MIT, des MIT-IBM Watson AI Lab und anderer Institute haben deshalb einen anderen Ansatz gew\u00e4hlt. Anstatt ma\u00dfgeschneiderte Bilderzeugungsprogramme f\u00fcr eine bestimmte Trainingsaufgabe zu entwickeln, sammelten sie einen Datensatz von 21.000 \u00f6ffentlich verf\u00fcgbaren Programmen aus dem Internet. Dann nutzten sie diese gro\u00dfe Sammlung grundlegender Bilderzeugungsprogramme, um ein Computer-Vision-Modell zu trainieren. Diese Programme erzeugen verschiedene Bilder, die einfache Farben und Texturen darstellen. Die Forscher haben die Programme, die jeweils nur aus einigen wenigen Codezeilen bestehen, weder bearbeitet noch ver\u00e4ndert.<\/p>\r\n

Bildprogramme als valabler Ersatz<\/h3>\r\n

Die Modelle, die sie mit diesem grossen Datensatz von Programmen trainierten, klassifizierten Bilder genauer als andere synthetisch trainierte Modelle. Und obwohl ihre Modelle schlechter abschnitten als jene, die mit echten Daten trainierten, zeigten die Forscher, dass die Erh\u00f6hung der Anzahl der Bildprogramme im Datensatz auch die Leistung des Modells steigerte und einen Weg zu h\u00f6herer Genauigkeit aufzeigte.<\/p>\r\n

\u201eEs stellt sich heraus, dass die Verwendung vieler unkuratierter Programme tats\u00e4chlich besser ist als die Verwendung eines kleinen Satzes von Programmen, die von Menschen manipuliert werden m\u00fcssen. Daten sind wichtig, aber wir haben gezeigt, dass man auch ohne echte Daten ziemlich weit kommen kann\u201c, sagt Manel Baradad, Doktorand der Elektrotechnik und Informatik (EECS) im Computer Science and Artificial Intelligence Laboratory (CSAIL) und Hauptautor der Forschungsarbeit, in der diese Technik beschrieben wird.<\/p>\r\n

\u00dcberdenken des Vortrainings<\/h3>\r\n

Modelle des maschinellen Lernens werden in der Regel vortrainiert, d. h. sie werden zun\u00e4chst auf einem Datensatz trainiert, um Parameter zu entwickeln, die f\u00fcr die Bew\u00e4ltigung einer anderen Aufgabe verwendet werden k\u00f6nnen. Ein Modell zur Klassifizierung von R\u00f6ntgenbildern k\u00f6nnte mit einem riesigen Datensatz synthetisch erzeugter Bilder trainiert werden, bevor es f\u00fcr seine eigentliche Aufgabe mit einem viel kleineren Datensatz echter R\u00f6ntgenbilder trainiert wird.<\/p>\r\n

Die Forscher hatten zuvor gezeigt, dass sie eine Handvoll Bilderzeugungsprogramme verwenden konnten, um synthetische Daten f\u00fcr das Vortraining des Modells zu erstellen, aber die Programme mussten sorgf\u00e4ltig entworfen werden, damit die synthetischen Bilder mit bestimmten Eigenschaften der echten Bilder \u00fcbereinstimmten. Dies machte es schwierig, die Technik zu erweitern. In der neuen Arbeit wurde stattdessen ein enormer Datensatz von unkuratierten Bilderzeugungsprogrammen verwendet.<\/p>\r\n

Maschinelles Lernen mit \u201ek\u00fcnstlich\u201c erzeugten Bildern<\/h3>\r\n

Die Forscher begannen damit, eine Sammlung von 21.000 Bilderzeugungsprogrammen aus dem Internet zusammenzustellen. Alle Programme sind in einer einfachen Programmiersprache geschrieben und bestehen aus nur wenigen Codeschnipseln, so dass sie schnell Bilder erzeugen. \u201eDiese Programme wurden von Entwicklern auf der ganzen Welt entworfen, um Bilder zu erzeugen, die einige der Eigenschaften aufweisen, an denen wir interessiert sind. Sie erzeugen Bilder, die fast wie abstrakte Kunst aussehen\u201c, erkl\u00e4rt Baradad.<\/p>\r\n

Diese einfachen Programme k\u00f6nnen so schnell ausgef\u00fchrt werden, dass die Forscher keine Bilder im Voraus erstellen mussten, um das Modell zu trainieren. Die Forscher fanden heraus, dass sie Bilder erzeugen und das Modell gleichzeitig trainieren konnten, was den Prozess rationalisiert. Sie nutzten ihren riesigen Datensatz von Bilderzeugungsprogrammen, um Computer-Vision-Modelle sowohl f\u00fcr \u00fcberwachte als auch f\u00fcr un\u00fcberwachte Bildklassifizierungsaufgaben vorzutrainieren. Beim \u00fcberwachten Lernen werden die Bilddaten mit Etiketten versehen, w\u00e4hrend das Modell beim un\u00fcberwachten Lernen lernt, Bilder ohne Etiketten zu kategorisieren.<\/p>\r\n

Verbesserung der Genauigkeit<\/h3>\r\n

Als sie ihre vortrainierten Modelle mit modernen Computer-Vision-Modellen verglichen, die mit synthetischen Daten vortrainiert worden waren, waren ihre Modelle genauer, d. h. sie ordneten Bilder h\u00e4ufiger den richtigen Kategorien zu. Die Genauigkeit war zwar immer noch geringer als bei Modellen, die mit realen Daten trainiert wurden, aber ihre Technik verringerte die Leistungsl\u00fccke zwischen Modellen, die mit realen Daten trainiert wurden, und solchen, die mit synthetischen Daten trainiert wurden, um 38 Prozent.<\/p>\r\n

\u201eWichtig ist, dass wir zeigen, dass die Leistung f\u00fcr die Anzahl der gesammelten Programme logarithmisch skaliert. Wir erreichen keine S\u00e4ttigung der Leistung, d. h. wenn wir mehr Programme sammeln, w\u00fcrde das Modell noch besser abschneiden. Es gibt also eine M\u00f6glichkeit, unseren Ansatz zu erweitern\u201c, sagt Manel.<\/p>\r\n

Die Forscher nutzten auch jedes einzelne Bilderzeugungsprogramm f\u00fcr ein Vortraining, um die Faktoren zu ermitteln, die zur Genauigkeit des Modells beitragen. Sie fanden heraus, dass das Modell besser abschneidet, wenn ein Programm eine gr\u00f6\u00dfere Vielfalt an Bildern erzeugt. Sie fanden auch heraus, dass farbige Bilder mit Szenen, die die gesamte Leinwand ausf\u00fcllen, die Leistung des Modells am meisten verbessern.<\/p>\r\n

Nachdem sie den Erfolg dieses Pretraining-Ansatzes nachgewiesen haben, wollen die Forscher ihre Technik nun auf andere Datentypen ausweiten, z. B. auf multimodale Daten, die Text und Bilder enthalten. Au\u00dferdem wollen sie weiter nach Wegen suchen, um die Klassifizierungsleistung von Bildern zu verbessern.<\/p>\r\n

Quelle: Techexplore.com<\/a><\/em><\/p>\n

Dieser Beitrag erschien urspr\u00fcnglich auf m-q.ch - https:\/\/www.m-q.ch\/de\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\/<\/a><\/p>","protected":false},"excerpt":{"rendered":"

In der Medizin kommen immer h\u00e4ufiger Computersysteme zum Einsatz, die mittels k\u00fcnstlicher Intelligenz Bilder interpretieren und \u00c4rzte beim Stellen von Diagnosen unterst\u00fctzen. Dies funktioniert, indem sie die neuen Bilder mit mit schon bestehenden Bilddaten abgleichen. Dabei \u201elernt\u201c die Maschine laufend mit. Maschinelles Lernen anhand von Bildern hat aber seine T\u00fccken. Urheberrechte k\u00f6nnen maschinelles Lernen verhindern [\u2026]<\/p>\n","protected":false},"author":8,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_yoast_wpseo_focuskw":"Maschinelles Lernen","_yoast_wpseo_metadesc":"Neue Methode: Maschinelles Lernen ohne echte Bilddaten. Forscher verbessern Bildklassifizierung durch synthetische Daten.","articlekey":"","footnotes":""},"categories":[582],"tags":[],"class_list":["post-18034","post","type-post","status-publish","format-standard","hentry","category-operational-excellence"],"acf":[],"yoast_head":"\nForscher finden Weg f\u00fcr Maschinelles Lernen ohne echte Bilddaten - Organisator<\/title>\n<meta name=\"description\" content=\"Neue Methode: Maschinelles Lernen ohne echte Bilddaten. Forscher verbessern Bildklassifizierung durch synthetische Daten.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.organisator.ch\/de\/operational-excellence\/2022-11-28\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Forscher finden Weg f\u00fcr Maschinelles Lernen ohne echte Bilddaten - Organisator\" \/>\n<meta property=\"og:description\" content=\"Neue Methode: Maschinelles Lernen ohne echte Bilddaten. Forscher verbessern Bildklassifizierung durch synthetische Daten.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.organisator.ch\/de\/operational-excellence\/2022-11-28\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\/\" \/>\n<meta property=\"og:site_name\" content=\"Organisator\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/OrganisatorFachmagazin\" \/>\n<meta property=\"article:published_time\" content=\"2022-11-28T12:18:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-11-20T06:59:08+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.organisator.ch\/wp-content\/uploads\/2022\/10\/Drei-von-vier-HR-Fachpersonen-wollen-mehr-Digitalisierung-1_Organisator.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"680\" \/>\n\t<meta property=\"og:image:height\" content=\"453\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"galledia\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@admin\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/operational-excellence\\\/2022-11-28\\\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/operational-excellence\\\/2022-11-28\\\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\\\/\"},\"author\":{\"name\":\"galledia\",\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/#\\\/schema\\\/person\\\/4e51799071cd2dd1232ac003643ef5f0\"},\"headline\":\"Forscher finden Weg f\u00fcr Maschinelles Lernen ohne echte Bilddaten\",\"datePublished\":\"2022-11-28T12:18:00+00:00\",\"dateModified\":\"2024-11-20T06:59:08+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/operational-excellence\\\/2022-11-28\\\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\\\/\"},\"wordCount\":932,\"publisher\":{\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/operational-excellence\\\/2022-11-28\\\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.m-q.ch\\\/wp-content\\\/uploads\\\/2022\\\/11\\\/Forscher-finden-Weg-fuer-Maschinelles-Lernen-ohne-echte-Bilddaten_MQ.jpg\",\"articleSection\":[\"OPERATIONAL EXCELLENCE\"],\"inLanguage\":\"de\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/operational-excellence\\\/2022-11-28\\\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\\\/\",\"url\":\"https:\\\/\\\/www.organisator.ch\\\/operational-excellence\\\/2022-11-28\\\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\\\/\",\"name\":\"Forscher finden Weg f\u00fcr Maschinelles Lernen ohne echte Bilddaten - Organisator\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/operational-excellence\\\/2022-11-28\\\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/operational-excellence\\\/2022-11-28\\\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.m-q.ch\\\/wp-content\\\/uploads\\\/2022\\\/11\\\/Forscher-finden-Weg-fuer-Maschinelles-Lernen-ohne-echte-Bilddaten_MQ.jpg\",\"datePublished\":\"2022-11-28T12:18:00+00:00\",\"dateModified\":\"2024-11-20T06:59:08+00:00\",\"description\":\"Neue Methode: Maschinelles Lernen ohne echte Bilddaten. Forscher verbessern Bildklassifizierung durch synthetische Daten.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/operational-excellence\\\/2022-11-28\\\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.organisator.ch\\\/operational-excellence\\\/2022-11-28\\\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/operational-excellence\\\/2022-11-28\\\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.m-q.ch\\\/wp-content\\\/uploads\\\/2022\\\/11\\\/Forscher-finden-Weg-fuer-Maschinelles-Lernen-ohne-echte-Bilddaten_MQ.jpg\",\"contentUrl\":\"https:\\\/\\\/www.m-q.ch\\\/wp-content\\\/uploads\\\/2022\\\/11\\\/Forscher-finden-Weg-fuer-Maschinelles-Lernen-ohne-echte-Bilddaten_MQ.jpg\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/operational-excellence\\\/2022-11-28\\\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/www.organisator.ch\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Forscher finden Weg f\u00fcr Maschinelles Lernen ohne echte Bilddaten\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/#website\",\"url\":\"https:\\\/\\\/www.organisator.ch\\\/\",\"name\":\"Organisator\",\"description\":\"Kompetent. Praxisnah. Der ORGANISATOR bereitet in 10 Ausgaben pro Jahr die wesentlichen Themen f\u00fcr F\u00fchrungskr\u00e4fte von KMU auf.\",\"publisher\":{\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.organisator.ch\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/#organization\",\"name\":\"Organisator\",\"url\":\"https:\\\/\\\/www.organisator.ch\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/www.organisator.ch\\\/wp-content\\\/uploads\\\/2022\\\/01\\\/Logo_Organisator_Website.png\",\"contentUrl\":\"https:\\\/\\\/www.organisator.ch\\\/wp-content\\\/uploads\\\/2022\\\/01\\\/Logo_Organisator_Website.png\",\"width\":800,\"height\":77,\"caption\":\"Organisator\"},\"image\":{\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/OrganisatorFachmagazin\",\"https:\\\/\\\/www.linkedin.com\\\/showcase\\\/organisator-das-magazin-fr-kmu\",\"https:\\\/\\\/www.xing.com\\\/news\\\/pages\\\/organisator-ch-695\",\"https:\\\/\\\/www.youtube.com\\\/channel\\\/UCGP2Sq0iWaZwT3BdIAQFYpw\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.organisator.ch\\\/#\\\/schema\\\/person\\\/4e51799071cd2dd1232ac003643ef5f0\",\"name\":\"galledia\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/78a7f90c01fc2bfc875782a0d4922b37cde2cf184ce347b91316d23cd7f69a36?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/78a7f90c01fc2bfc875782a0d4922b37cde2cf184ce347b91316d23cd7f69a36?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/78a7f90c01fc2bfc875782a0d4922b37cde2cf184ce347b91316d23cd7f69a36?s=96&d=mm&r=g\",\"caption\":\"galledia\"},\"sameAs\":[\"https:\\\/\\\/x.com\\\/admin\"],\"url\":\"https:\\\/\\\/www.organisator.ch\\\/de\\\/author\\\/galledia\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Forscher finden Weg f\u00fcr Maschinelles Lernen ohne echte Bilddaten - Organisator","description":"Neue Methode: Maschinelles Lernen ohne echte Bilddaten. Forscher verbessern Bildklassifizierung durch synthetische Daten.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.organisator.ch\/de\/operational-excellence\/2022-11-28\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\/","og_locale":"de_DE","og_type":"article","og_title":"Forscher finden Weg f\u00fcr Maschinelles Lernen ohne echte Bilddaten - Organisator","og_description":"Neue Methode: Maschinelles Lernen ohne echte Bilddaten. Forscher verbessern Bildklassifizierung durch synthetische Daten.","og_url":"https:\/\/www.organisator.ch\/de\/operational-excellence\/2022-11-28\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\/","og_site_name":"Organisator","article_publisher":"https:\/\/www.facebook.com\/OrganisatorFachmagazin","article_published_time":"2022-11-28T12:18:00+00:00","article_modified_time":"2024-11-20T06:59:08+00:00","og_image":[{"width":680,"height":453,"url":"https:\/\/www.organisator.ch\/wp-content\/uploads\/2022\/10\/Drei-von-vier-HR-Fachpersonen-wollen-mehr-Digitalisierung-1_Organisator.jpg","type":"image\/jpeg"}],"author":"galledia","twitter_card":"summary_large_image","twitter_creator":"@admin","schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.organisator.ch\/operational-excellence\/2022-11-28\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\/#article","isPartOf":{"@id":"https:\/\/www.organisator.ch\/operational-excellence\/2022-11-28\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\/"},"author":{"name":"galledia","@id":"https:\/\/www.organisator.ch\/#\/schema\/person\/4e51799071cd2dd1232ac003643ef5f0"},"headline":"Forscher finden Weg f\u00fcr Maschinelles Lernen ohne echte Bilddaten","datePublished":"2022-11-28T12:18:00+00:00","dateModified":"2024-11-20T06:59:08+00:00","mainEntityOfPage":{"@id":"https:\/\/www.organisator.ch\/operational-excellence\/2022-11-28\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\/"},"wordCount":932,"publisher":{"@id":"https:\/\/www.organisator.ch\/#organization"},"image":{"@id":"https:\/\/www.organisator.ch\/operational-excellence\/2022-11-28\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\/#primaryimage"},"thumbnailUrl":"https:\/\/www.m-q.ch\/wp-content\/uploads\/2022\/11\/Forscher-finden-Weg-fuer-Maschinelles-Lernen-ohne-echte-Bilddaten_MQ.jpg","articleSection":["OPERATIONAL EXCELLENCE"],"inLanguage":"de"},{"@type":"WebPage","@id":"https:\/\/www.organisator.ch\/operational-excellence\/2022-11-28\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\/","url":"https:\/\/www.organisator.ch\/operational-excellence\/2022-11-28\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\/","name":"Forscher finden Weg f\u00fcr Maschinelles Lernen ohne echte Bilddaten - Organisator","isPartOf":{"@id":"https:\/\/www.organisator.ch\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.organisator.ch\/operational-excellence\/2022-11-28\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\/#primaryimage"},"image":{"@id":"https:\/\/www.organisator.ch\/operational-excellence\/2022-11-28\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\/#primaryimage"},"thumbnailUrl":"https:\/\/www.m-q.ch\/wp-content\/uploads\/2022\/11\/Forscher-finden-Weg-fuer-Maschinelles-Lernen-ohne-echte-Bilddaten_MQ.jpg","datePublished":"2022-11-28T12:18:00+00:00","dateModified":"2024-11-20T06:59:08+00:00","description":"Neue Methode: Maschinelles Lernen ohne echte Bilddaten. Forscher verbessern Bildklassifizierung durch synthetische Daten.","breadcrumb":{"@id":"https:\/\/www.organisator.ch\/operational-excellence\/2022-11-28\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.organisator.ch\/operational-excellence\/2022-11-28\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.organisator.ch\/operational-excellence\/2022-11-28\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\/#primaryimage","url":"https:\/\/www.m-q.ch\/wp-content\/uploads\/2022\/11\/Forscher-finden-Weg-fuer-Maschinelles-Lernen-ohne-echte-Bilddaten_MQ.jpg","contentUrl":"https:\/\/www.m-q.ch\/wp-content\/uploads\/2022\/11\/Forscher-finden-Weg-fuer-Maschinelles-Lernen-ohne-echte-Bilddaten_MQ.jpg"},{"@type":"BreadcrumbList","@id":"https:\/\/www.organisator.ch\/operational-excellence\/2022-11-28\/forscher-finden-weg-fuer-maschinelles-lernen-ohne-echte-bilddaten\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.organisator.ch\/"},{"@type":"ListItem","position":2,"name":"Forscher finden Weg f\u00fcr Maschinelles Lernen ohne echte Bilddaten"}]},{"@type":"WebSite","@id":"https:\/\/www.organisator.ch\/#website","url":"https:\/\/www.organisator.ch\/","name":"Organisator","description":"Kompetent. Praxisnah. Der ORGANISATOR bereitet in 10 Ausgaben pro Jahr die wesentlichen Themen f\u00fcr F\u00fchrungskr\u00e4fte von KMU auf.","publisher":{"@id":"https:\/\/www.organisator.ch\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.organisator.ch\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/www.organisator.ch\/#organization","name":"Organisator","url":"https:\/\/www.organisator.ch\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.organisator.ch\/#\/schema\/logo\/image\/","url":"https:\/\/www.organisator.ch\/wp-content\/uploads\/2022\/01\/Logo_Organisator_Website.png","contentUrl":"https:\/\/www.organisator.ch\/wp-content\/uploads\/2022\/01\/Logo_Organisator_Website.png","width":800,"height":77,"caption":"Organisator"},"image":{"@id":"https:\/\/www.organisator.ch\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/OrganisatorFachmagazin","https:\/\/www.linkedin.com\/showcase\/organisator-das-magazin-fr-kmu","https:\/\/www.xing.com\/news\/pages\/organisator-ch-695","https:\/\/www.youtube.com\/channel\/UCGP2Sq0iWaZwT3BdIAQFYpw"]},{"@type":"Person","@id":"https:\/\/www.organisator.ch\/#\/schema\/person\/4e51799071cd2dd1232ac003643ef5f0","name":"galledia","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/secure.gravatar.com\/avatar\/78a7f90c01fc2bfc875782a0d4922b37cde2cf184ce347b91316d23cd7f69a36?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/78a7f90c01fc2bfc875782a0d4922b37cde2cf184ce347b91316d23cd7f69a36?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/78a7f90c01fc2bfc875782a0d4922b37cde2cf184ce347b91316d23cd7f69a36?s=96&d=mm&r=g","caption":"galledia"},"sameAs":["https:\/\/x.com\/admin"],"url":"https:\/\/www.organisator.ch\/de\/author\/galledia\/"}]}},"_links":{"self":[{"href":"https:\/\/www.organisator.ch\/de\/wp-json\/wp\/v2\/posts\/18034","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.organisator.ch\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.organisator.ch\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.organisator.ch\/de\/wp-json\/wp\/v2\/users\/8"}],"replies":[{"embeddable":true,"href":"https:\/\/www.organisator.ch\/de\/wp-json\/wp\/v2\/comments?post=18034"}],"version-history":[{"count":3,"href":"https:\/\/www.organisator.ch\/de\/wp-json\/wp\/v2\/posts\/18034\/revisions"}],"predecessor-version":[{"id":33588,"href":"https:\/\/www.organisator.ch\/de\/wp-json\/wp\/v2\/posts\/18034\/revisions\/33588"}],"wp:attachment":[{"href":"https:\/\/www.organisator.ch\/de\/wp-json\/wp\/v2\/media?parent=18034"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.organisator.ch\/de\/wp-json\/wp\/v2\/categories?post=18034"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.organisator.ch\/de\/wp-json\/wp\/v2\/tags?post=18034"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}