Beelinterpretatie van ruwe beeldsensordata

In dit doctoraat zullen we geavanceerde deep learning gebaseerde computervisietechnologie toepassen, zeer dicht bij de beelddatabron. We zullen deze dus rechtstreeks toepassen op ruwe sensordata, zoals deze door een camera worden opgenomen. Dit vereist een vertaling van de generieke modellen naar sensorspecifieke modellen aangepast voor een concrete sensor. Als je de ruwe sensorgegevens die uit een beeldsensor komen meteen kan verwerken met AI-algoritmes dichtbij die sensor heeft dit tal van voordelen: - De algoritmes hebben toegang tot de zuivere data, die typisch een grotere bitresolutie heeft (12 bits bijvoorbeeld) dan in traditionele gevallen (8 bit). Ook demosaicing en gain kunnen overgeslagen worden. - De dataverwerking gebeurt ogenblikkelijk, zonder vertragingen van een eventuele communicatielink naar een verwerkingseenheid. Dat zorgt ervoor dat directe feedback en low-latency real-time controlelussen mogelijk zijn. - Eventueel verlies aan datakwaliteit door bvb. compressie die voor de data-transfer nodig is, wordt vermeden. Dit is zeker ook het geval voor andersoortige beeldsensoren, zoals bijvoorbeeld multispectrale sensoren. - Als enkel de analyseresultaten na beeldverwerking doorgestuurd worden, kan dit een enorme besparing betekenen qua benodigde bandbreedte voor de communicatielink. - Als de beelddata in het device blijft, en enkel analyseresultaten uitstromen kan de privacy van personen gewaarborgd blijven. In dit doctoraat zullen we deze niche case-gebaseerd exploreren, en daarbij voor vernieuwingen t.o.v. de state-of-the-art zorgen.