Logo des Repositoriums

Auflistung nach Schlagwort "Edge AI"

1 - 2 von 2
  • Konferenzbeitrag
    A Children's Toy for Learning AI
    (Mensch und Computer 2019 - Tagungsband, 2019) Scheidt, Alexander; Pulver, Tim
    Here we present Any-Cubes, a prototype toy with which children can intuitively and playfully explore and understand machine learning as well as Internet of Things technology. Our prototype is a combination of deep learning-based image classification [9] and machine-to-machine (m2m) communication via MQTT. The system consists of two physical and tangible wooden cubes. Cube 1 ("sensor cube") is inspired by Google’s teachable machine [11,12]. The sensor cube can be trained on any object or scenery. The machine learning functionality is directly implemented on the microcontroller (Raspberry Pi) by a Google Edge TPU Stick. Via MQTT protocol, the microcontroller sends its current status to Cube 2, the actuator cube. The actuator cube provides three switches (relays controlled by an Arduino board) to which peripheral devices can be connected. This allows simple if-then functions to be executed in real time, regardless of location. We envision our system as an intuitive didactic tool for schools and maker spaces.
  • Textdokument
    Neuromorphic Vision mit Spiking Neural Networks zur Sturzerkennung im betreuten Wohnen
    (INFORMATIK 2021, 2021) Nitzsche, Sven; Pachideh, Brian; Pazmino, Victor; Link, Norbert; Schauer, Christoph; Theurer, Lukas; Haas, Valentin; Marquardt, Philipp; Biniaminov, Sergey; Becker, Jürgen
    Zur schnellen Erkennung von gefährlichen Stürzen in betreuten Wohnsituationen können klassische Kameras kombiniert mit künstlichen neuronalen Netzen (Artificial Neural Networks) verwendet werden. Solche Lösungen haben allerdings eine hohe elektrische Leistungsaufnahme und erfordern daher eine dauerhafte Stromversorgung. Dies macht die Integration in bestehende Räume aufwendig. Im Rahmen des Projekts EmbeddedNeuroVision wird daher eine extrem energieeffiziente Lösung basierend auf neuromorphen Kameras und Spiking Neural Networks erforscht, die die elektrische Leistungsaufnahme um mehrere Größenordnungen senken kann. Die energieeffiziente Verarbeitung schafft neue Möglichkeiten für batteriebetriebene Visionssysteme, die nicht nur im betreuten Wohnen, sondern auch in industriellen und Smart-City-Anwendungen flexibler eingesetzt werden können.