Glanz: aiMOOC über GPT aiMOOC Action erstellt

2026-07-06T16:29:35Z

aiMOOC über GPT aiMOOC Action erstellt

Neue Seite

{{T}}

{{BR}}
= Einleitung =
'''Ereignisbasierte Vision''' beschreibt eine Form der [[Bildverarbeitung]], bei der ein [[Bildsensor]] nicht in festen [[Frame|Frames]] vollständige Bilder ausgibt, sondern nur dann Daten sendet, wenn sich an einem einzelnen [[Pixel]] die [[Helligkeit]] deutlich verändert. Solche Sensoren heißen [[Ereignisbasierter Bildsensor|ereignisbasierte Bildsensoren]], [[Eventkamera|Eventkameras]], [[Dynamic Vision Sensor|Dynamic Vision Sensors]] oder [[Neuromorphe Kamera|neuromorphe Kameras]]. Sie orientieren sich an Grundideen der [[Retina]]: Nicht jede Information wird ständig neu übertragen, sondern vor allem Veränderung, Bewegung und Kontrast.

Das Thema '''Neuronale Netze neu denken''' fragt, was passiert, wenn [[Künstliche Intelligenz]] nicht mehr nur mit starren Bildfolgen arbeitet, sondern mit sehr schnellen, spärlichen und zeitlich präzisen [[Ereignisdaten]]. Dadurch entstehen neue Möglichkeiten für [[Robotik]], [[Autonomes Fahren]], [[Edge Computing]], [[Augmented Reality]], [[Industrie 4.0]] und energieeffiziente [[Maschinelles Lernen|maschinelle Lernsysteme]]. Gleichzeitig stellen Ereigniskameras klassische [[Convolutional Neural Network|Convolutional Neural Networks]], Trainingsdaten, Datenschutz und die Bewertung von [[KI-System|KI-Systemen]] vor neue Herausforderungen.

{{#ev:youtube|https://www.youtube.com/watch?v=_BWtr3K7Zf4|500|center}}

Das Video dient als Einstieg in die Frage, wie [[Sensorik]], [[Architektur]] und [[Neuromorphe Effizienz|neuromorphe Effizienz]] zusammenhängen. Du lernst in diesem aiMOOC, warum eine Ereigniskamera anders „sieht“ als eine klassische Kamera, wie aus Pixelereignissen verwertbare Informationen entstehen und weshalb [[Spiking Neural Network|spikende neuronale Netze]] für diese Daten besonders interessant sind.

[[Datei:Faces in Event Streams.png|500px|rahmenlos|center]]

{{BR}}
== Lernziele ==
# [[Grundprinzip]]: Du erklärst, wie eine [[Eventkamera]] Helligkeitsänderungen statt vollständiger Bilder verarbeitet.
# [[Datenstrom]]: Du beschreibst ein [[Pixelereignis]] mit [[Koordinate]], [[Zeitstempel]] und [[Polarität]].
# [[Vergleich]]: Du vergleichst [[Framebasierte Kamera|framebasierte Kameras]] und [[Ereignisbasierter Bildsensor|ereignisbasierte Bildsensoren]].
# [[Neuronale Netze]]: Du begründest, warum Ereignisdaten neue [[Neuronale Netzarchitektur|Netzarchitekturen]] erfordern.
# [[Transfer]]: Du entwickelst eigene Ideen für Anwendungen, Chancen und Risiken ereignisbasierter [[Künstliche Intelligenz|KI]].

{{BR}}
= Grundlagen der ereignisbasierten Vision =

{{BR}}
== Vom Bild zum Ereignis ==
Eine klassische [[Digitalkamera]] nimmt in festen Zeitabständen vollständige Bilder auf. Selbst wenn sich im Bild fast nichts verändert, werden alle Pixelwerte erneut gespeichert und verarbeitet. Eine [[Ereigniskamera]] arbeitet anders: Jeder Pixel beobachtet lokal, ob sich die Helligkeit relativ zu seinem vorherigen Zustand stark genug verändert. Wird ein Schwellwert überschritten, entsteht ein [[Ereignis]]. Bleibt die Szene unverändert, bleibt der Pixel still.

Ein Ereignis enthält typischerweise vier Informationen: die horizontale [[Bildkoordinate]], die vertikale Bildkoordinate, den [[Zeitstempel]] und die [[Polarität]]. Die Polarität zeigt an, ob die Helligkeit zugenommen oder abgenommen hat. Dadurch entsteht ein Datenstrom, der nicht aus Bildern, sondern aus zeitlich geordneten Änderungen besteht.

{{BR}}
== Asynchrone Wahrnehmung ==
Der zentrale Unterschied liegt in der [[Asynchronität]]. Bei einer framebasierten Kamera werden alle Pixel gleichzeitig oder nahezu gleichzeitig zu festen Zeitpunkten ausgelesen. Bei einer Ereigniskamera meldet jeder Pixel unabhängig, wann bei ihm etwas Relevantes geschieht. Das macht Ereignisdaten besonders geeignet für schnelle Bewegungen, plötzliche Kontraste, starke Lichtunterschiede und Systeme, die direkt am Sensor reagieren sollen.

Diese Arbeitsweise ist ein Beispiel für [[Ereignisbasierte Verarbeitung]]. Sie vermeidet unnötige Daten, wenn nichts passiert, und konzentriert Rechenleistung auf Veränderung. In vielen Szenen führt das zu [[Sparsität]], also zu einem dünn besetzten Datenstrom: Nur ein kleiner Teil der Pixel ist zu einem bestimmten Zeitpunkt aktiv.

{{BR}}
== Biologische Inspiration ==
[[Neuromorphe Technik]] orientiert sich an Prinzipien biologischer Nervensysteme, ohne sie einfach zu kopieren. Die [[Retina]] im Auge verarbeitet bereits vor dem Gehirn wichtige Signale wie Kontrast, Bewegung und Änderung. Ereignisbasierte Sensoren greifen diese Idee technisch auf: Sie liefern nicht nur ein Bild, sondern eine Folge von Signalimpulsen, die besonders für dynamische Szenen relevant sind.

[[Datei:Cone cell eng.svg|420px|rahmenlos|center]]

Der biologische Vergleich darf nicht missverstanden werden: Eine Ereigniskamera ist kein Auge und ein [[Spiking Neural Network]] ist kein Gehirn. Aber beide nutzen die Idee, dass [[Information]] in zeitlichen Aktivitätsmustern stecken kann. Genau hier beginnt das Umdenken bei [[Neuronales Netz|neuronalen Netzen]].

{{BR}}
= Sensorik und Datenströme =

{{BR}}
== Dynamic Vision Sensor ==
Der [[Dynamic Vision Sensor]] ist eine wichtige Bauform ereignisbasierter Bildsensoren. Seine Pixel reagieren auf Änderungen der logarithmischen Lichtintensität. Dadurch können helle und dunkle Bildbereiche in derselben Szene besser verarbeitet werden als bei vielen klassischen Kameras. Die genaue Leistung hängt jedoch vom konkreten Sensor, der Szene, dem Objektiv, der Elektronik und der Auswertung ab.

Ein [[DVS]] produziert keinen regelmäßigen Videostrom. Stattdessen entsteht ein Ereignisstrom, der mathematisch häufig als Folge von Tupeln dargestellt wird: Ort, Zeit und Vorzeichen der Änderung. Für Lernende ist wichtig: Die Daten sind nicht einfach „weniger Bilder“, sondern eine andere Art von visueller Information.

{{BR}}
== Address Event Representation ==
In der [[Address Event Representation]] wird jedes Ereignis als Adresse im Sensorraum plus Zeitpunkt übertragen. Die Adresse benennt, welcher Pixel aktiv wurde. Diese Repräsentation ist für [[Neuromorphe Hardware|neuromorphe Hardware]] interessant, weil sie gut zu Systemen passt, die nur bei Aktivität rechnen. Rechnen, Speichern und Übertragen können dadurch enger an die tatsächlich auftretenden Ereignisse gekoppelt werden.

[[Datei:Robotic-goalie-with-3-ms-reaction-time-at-4%-CPU-load-using-event-based-dynamic-vision-sensor-Movie1.ogv|500px|rahmenlos|center]]

Die Robotik-Demonstration zeigt, warum geringe [[Latenz]] wichtig sein kann: Ein System, das schnell reagieren muss, profitiert davon, wenn relevante visuelle Änderungen unmittelbar eintreffen und nicht erst nach dem nächsten vollständigen Frame.

{{BR}}
== Vergleich: Framekamera und Ereigniskamera ==
{| class="wikitable"
! Merkmal
! [[Framebasierte Kamera]]
! [[Ereigniskamera]]
|-
| [[Ausgabe]]
| Vollständige Bilder in festen Abständen
| Asynchrone Ereignisse bei Helligkeitsänderungen
|-
| [[Zeitauflösung]]
| Durch Bildrate begrenzt
| Sehr hohe zeitliche Präzision möglich
|-
| [[Datenmenge]]
| Auch bei statischen Szenen hoch
| Bei wenig Veränderung oft deutlich geringer
|-
| [[Bewegungsunschärfe]]
| Bei schnellen Bewegungen häufig problematisch
| Durch Ereignisprinzip meist reduziert
|-
| [[Statische Szene]]
| Gut geeignet
| Weniger informativ, weil wenige Ereignisse entstehen
|-
| [[Algorithmus]]
| Viele etablierte Verfahren vorhanden
| Spezialisierte Verfahren nötig
|}

{{BR}}
== Stärken und Grenzen ==
'''Stärken''' ereignisbasierter Vision sind niedrige Latenz, hohe zeitliche Präzision, sparsamer Datenstrom bei dynamischen Szenen, robuste Wahrnehmung schneller Bewegungen und oft gute Nutzbarkeit bei starken Helligkeitsunterschieden. '''Grenzen''' sind Rauschen, schwierige Interpretation statischer Szenen, weniger standardisierte Datensätze, neue Anforderungen an [[Annotation]], [[Training]], [[Evaluation]] und die Integration in bestehende [[Computer Vision|Computer-Vision-Systeme]].

Eine sinnvolle technische Entscheidung lautet deshalb nicht: „Eventkamera ersetzt jede Kamera.“ Besser ist die Frage: „Für welche Aufgabe ist welcher Sensor geeignet?“ Häufig sind hybride Systeme besonders stark, bei denen [[RGB-Kamera]], [[Tiefensensor]], [[Inertialsensor]] und [[Eventkamera]] kombiniert werden.

{{BR}}
= Neuronale Netze neu denken =

{{BR}}
== Warum klassische CNNs nicht ausreichen ==
[[Convolutional Neural Network|CNNs]] wurden vor allem für regelmäßige Rasterdaten entwickelt: Bilder mit festen Pixelpositionen, Farbkanälen und Bildfolgen. Ereignisdaten sind dagegen zeitlich asynchron, spärlich und nicht automatisch als vollständiges Bild vorhanden. Man kann Ereignisse zwar in künstliche Frames, Voxelraster oder Zeitfenster umwandeln, aber dabei gehen häufig zeitliche Feinheiten verloren oder es entsteht wieder unnötiger Rechenaufwand.

Das Umdenken besteht darin, [[Zeit]] nicht als Nebeninformation zu behandeln, sondern als Teil der Repräsentation. Ein Objekt wird nicht nur an seiner Form erkannt, sondern auch an der Art, wie seine Kanten, Bewegungen und Helligkeitsänderungen über die Zeit Ereignisse erzeugen.

{{BR}}
== Repräsentationen für Ereignisdaten ==
Es gibt mehrere Wege, Ereignisdaten für [[Maschinelles Lernen]] nutzbar zu machen. Bei [[Event Frame|Event Frames]] werden Ereignisse in kurzen Zeitfenstern gesammelt und als Bild dargestellt. Bei [[Voxel Grid|Voxel Grids]] entsteht ein dreidimensionales Raster aus Raum und Zeit. Bei [[Graph Neural Network|Graph Neural Networks]] können Ereignisse als Knoten in einem raumzeitlichen Graphen modelliert werden. Bei [[Spiking Neural Network|spikenden Netzen]] werden Ereignisse als zeitliche Impulse verarbeitet.

Keine Repräsentation ist immer überlegen. Die passende Wahl hängt von Aufgabe, Reaktionszeit, Energiebedarf, Trainingsdaten, Hardware und gewünschter Erklärbarkeit ab. Für Schule, Ausbildung und Studium ist besonders interessant, dass [[Datenformat]] und [[Netzarchitektur]] zusammen gedacht werden müssen.

{{BR}}
== Spiking Neural Networks ==
[[Spiking Neural Network|Spiking Neural Networks]] arbeiten mit Aktivitätsimpulsen, sogenannten [[Spike|Spikes]]. Ein Neuron sammelt Eingangssignale, erreicht einen Schwellwert und sendet dann selbst einen Spike. Das passt konzeptionell gut zu Ereigniskameras, weil beide zeitliche Einzelereignisse statt kontinuierlicher Werteflüsse betonen.

Spikende Netze können auf [[Neuromorpher Chip|neuromorphen Chips]] besonders energieeffizient ausgeführt werden, wenn Hardware und Algorithmus zusammenpassen. Dennoch sind SNNs nicht automatisch besser als klassische Netze. Herausforderungen sind Training, Stabilität, Softwarewerkzeuge, Vergleichbarkeit und die Frage, wie man Genauigkeit, Energiebedarf und Latenz fair misst.

{{BR}}
== Neuromorphe Effizienz ==
'''Neuromorphe Effizienz''' meint nicht nur „weniger Strom“. Gemeint ist ein Zusammenspiel aus Sensor, Datenübertragung, Speicher, Rechenarchitektur und Lernverfahren. Effizienz entsteht, wenn möglichst wenig unnötige Information erzeugt, übertragen und verarbeitet wird. Ereignisbasierte Vision ist deshalb besonders spannend für [[Edge AI]], also KI direkt auf kleinen Geräten, Robotern, Drohnen, mobilen Systemen oder eingebetteten Industrieanlagen.

{{#ev:youtube|https://www.youtube.com/watch?v=0wGBpgIrd9M|500|center}}

{{BR}}
= Anwendungen =

{{BR}}
== Robotik und Drohnen ==
In der [[Robotik]] zählen geringe Latenz, schnelle Bewegungserkennung und robuste Wahrnehmung. Eine Drohne, ein Greifarm oder ein mobiler Roboter muss Veränderungen sofort erkennen. Ereigniskameras können bei schneller Bewegung nützlich sein, weil sie Kanten, Bewegungsrichtungen und plötzliche Änderungen zeitlich fein auflösen. In Kombination mit [[Regelungstechnik]] und [[Reinforcement Learning]] entstehen Systeme, die auf Ereignisse reagieren statt nur periodisch Bilder auszuwerten.

{{BR}}
== Autonomes Fahren und Verkehr ==
Beim [[Autonomes Fahren|autonomen Fahren]] sind schwierige Lichtverhältnisse, Gegenlicht, Nacht, Tunnel, Regen, schnelle Objekte und kurze Reaktionszeiten zentrale Herausforderungen. Ereignisbasierte Sensorik kann in solchen Situationen ergänzende Informationen liefern. Sie ersetzt jedoch nicht automatisch [[Radar]], [[Lidar]], klassische Kameras oder sichere Entscheidungslogik. Für sicherheitskritische Systeme sind Tests, Redundanz, nachvollziehbare Bewertung und rechtliche Verantwortung entscheidend.

{{BR}}
== Industrie und Qualitätskontrolle ==
In der [[Industrielle Bildverarbeitung|industriellen Bildverarbeitung]] können Ereigniskameras schnelle Bewegungen, Vibrationen, Funken, Rotationen oder Materialfehler sichtbar machen, die bei normalen Bildraten schwer zu erfassen sind. Besonders interessant sind Anwendungen, bei denen nur Veränderungen relevant sind: Sortieren, Zählen, Überwachen, Positionieren oder schnelle Oberflächenprüfung.

{{BR}}
== Medizin, Forschung und Barrierefreiheit ==
In Forschung und Medizin kann ereignisbasierte Vision für schnelle Bewegungsanalyse, mikroskopische Prozesse oder energiearme mobile Assistenzsysteme interessant sein. Gleichzeitig sind [[Datenschutz]], [[Bias]], medizinische Verantwortung und transparente Grenzen besonders wichtig. Ein Sensor, der weniger statische Bildinformation speichert, kann Datenschutz erleichtern, garantiert ihn aber nicht. Datenschutz entsteht durch das gesamte Systemdesign.

[[Datei:Real time face detection model on event streams.webm|500px|rahmenlos|center]]

{{BR}}
= Kritische Perspektiven =

{{BR}}
== Chancen ==
Ereignisbasierte Vision kann helfen, [[KI]] reaktionsschneller, energiesparender und näher an realen physikalischen Prozessen zu gestalten. Sie zeigt, dass nicht jede Wahrnehmung mit immer größeren Datenmengen, größeren Modellen und höheren Bildraten gelöst werden muss. Manchmal ist die bessere Frage: Welche Information ist wirklich relevant?

{{BR}}
== Risiken und offene Fragen ==
Neue Sensorik löst nicht automatisch gesellschaftliche Probleme. Ereigniskameras können in Überwachung, militärischen Systemen oder undurchsichtigen Entscheidungsprozessen eingesetzt werden. Deshalb gehören [[Ethik]], [[Transparenz]], [[Datensparsamkeit]], [[Sicherheit]] und [[Nachhaltigkeit]] zur technischen Bildung. Wer neuronale Netze neu denkt, muss auch neu darüber nachdenken, welche Systeme gebaut werden sollen und wer von ihnen betroffen ist.

{{BR}}
= Interaktive Aufgaben =

{{BR}}
== Quiz: Teste Dein Wissen ==
{{MC}}

'''Welche Aussage beschreibt eine Ereigniskamera am besten?'''
(Sie sendet Daten vor allem bei lokalen Helligkeitsänderungen)
(!Sie speichert immer ganze Farbbilder)
(!Sie nimmt ausschließlich Toninformationen auf)
(!Sie funktioniert nur ohne Bewegung)

{{E}}
<br>

{{MC}}

'''Was enthält ein typisches Pixelereignis?'''
(Koordinate Zeitstempel und Polarität)
(!Farbe Objektname und Dateigröße)
(!Passwort Adresse und Benutzername)
(!Temperatur Gewicht und Lautstärke)

{{E}}
<br>

{{MC}}

'''Was bedeutet asynchrone Verarbeitung bei Ereigniskameras?'''
(Pixel melden Ereignisse unabhängig voneinander)
(!Alle Pixel warten immer auf denselben Bildtakt)
(!Die Kamera arbeitet nur offline)
(!Das Bild wird zuerst ausgedruckt)

{{E}}
<br>

{{MC}}

'''Warum können Ereignisdaten sparsamer sein als Videoframes?'''
(Weil oft nur Veränderungen übertragen werden)
(!Weil jeder Pixel immer mehrfach gespeichert wird)
(!Weil alle Farben entfernt werden müssen)
(!Weil Sensoren keine Zeitstempel nutzen)

{{E}}
<br>

{{MC}}

'''Welche Herausforderung entsteht durch Ereignisdaten für klassische neuronale Netze?'''
(Sie passen nicht direkt zu regelmäßigen Bildrastern)
(!Sie enthalten niemals Zeitinformationen)
(!Sie können keine Bewegung abbilden)
(!Sie sind immer größer als normale Videos)

{{E}}
<br>

{{MC}}

'''Was ist ein wichtiger Vorteil bei schnellen Bewegungen?'''
(Geringere Bewegungsunschärfe)
(!Höhere Papierqualität)
(!Langsamere Reaktion)
(!Weniger Lichtempfindlichkeit)

{{E}}
<br>

{{MC}}

'''Welche Netzart passt konzeptionell besonders gut zu zeitlichen Impulsen?'''
(Spiking Neural Network)
(!Textverarbeitungssystem)
(!Tabellenkalkulation)
(!Suchmaschinenindex)

{{E}}
<br>

{{MC}}

'''Was meint neuromorphe Effizienz in diesem Thema?'''
(Weniger unnötige Datenverarbeitung durch ereignisnahe Architektur)
(!Mehr Stromverbrauch durch größere Bilddateien)
(!Ausschließlich höhere Bildschirmauflösung)
(!Verzicht auf Sensoren und Algorithmen)

{{E}}
<br>

{{MC}}

'''Welche Anwendung profitiert besonders von niedriger Latenz?'''
(Schnell reagierende Robotik)
(!Langsame Archivsortierung)
(!Manuelles Abschreiben)
(!Reine Textformatierung)

{{E}}
<br>

{{MC}}

'''Welche Aussage ist kritisch richtig?'''
(Ereigniskameras ergänzen klassische Sensoren oft sinnvoll)
(!Ereigniskameras ersetzen immer alle anderen Sensoren)
(!Ereignisdaten brauchen niemals Algorithmen)
(!Datenschutz ist automatisch vollständig gelöst)

{{E}}
<br>

{{BR}}
== Memory ==
<div class="memo-quiz">
{|
|-
| Eventkamera || Helligkeitsänderung
|-
| Pixelereignis || Zeitstempel
|-
| Polarität || Richtung der Änderung
|-
| Spiking Neural Network || Spike
|-
| Neuromorphe Hardware || Ereignisnahes Rechnen
|-
| Sparsität || Wenige aktive Datenpunkte
|}
{{E}}
<br>

{{BR}}
== Drag and Drop ==
<div class="lueckentext-quiz">

{| class="wikitable"
! Ordne die richtigen Begriffe zu.
! Thema
|-
| '''Framebasierte Kamera'''
| Vollständiges Bild
|-
| '''Ereigniskamera'''
| Lokale Veränderung
|-
| '''Pixelereignis'''
| Ort und Zeit
|-
| '''Spiking Neural Network'''
| Impulsverarbeitung
|-
| '''Edge AI'''
| Rechnen am Gerät

|}
{{E}}

<br>

{{BR}}
== Kreuzworträtsel ==
<div class="kreuzwort-quiz">
{|
|-
| Ereignis || Wie heißt die Meldung, die ein Pixel bei einer Helligkeitsänderung sendet?
|-
| Helligkeit || Welche Eigenschaft der Szene wird lokal beobachtet?
|-
| Asynchron || Wie nennt man Verarbeitung ohne gemeinsamen Bildtakt?
|-
| Sparsitaet || Wie heißt die Eigenschaft, dass nur wenige Datenpunkte aktiv sind?
|-
| Latenz || Wie nennt man die Verzögerung zwischen Wahrnehmung und Reaktion?
|-
| Neuromorph || Wie heißt Technik, die sich am Nervensystem orientiert?
|}
{{E}}
<br>

{{BR}}
== LearningApps ==
<iframe> https://learningapps.org/index.php?s=Ereignisbasierte+Vision+Neuronale+Netze+neu+denken </iframe>

{{BR}}
== Lückentext ==
<quiz display=simple>
{'''Vervollständige den Text.'''<br>
|type="{}"}
Eine Ereigniskamera sendet vor allem dann Daten, wenn sich lokal die { Helligkeit } verändert.
Jedes Pixel kann unabhängig vom gemeinsamen Bildtakt arbeiten; diese Eigenschaft heißt { Asynchronität }.
Ein Ereignis enthält neben dem Ort auch einen sehr genauen { Zeitstempel }.
Die Polarität beschreibt, ob Helligkeit zunimmt oder { abnimmt }.
Weil in vielen Szenen nur wenige Pixel aktiv sind, spricht man von { Sparsität }.
Klassische CNNs wurden vor allem für regelmäßige { Bildraster } entwickelt.
Spiking Neural Networks verarbeiten Information als zeitliche { Impulse }.
Neuromorphe Effizienz entsteht durch das Zusammenspiel von Sensor, Datenstrom, Hardware und { Algorithmus }.
</quiz>

<br>

{{BR}}
= Offene Aufgaben =

{{BR}}
=== Leicht ===
# [[Begriffsplakat]]: Erstelle ein Plakat mit den Begriffen [[Ereigniskamera]], [[Pixelereignis]], [[Zeitstempel]], [[Polarität]] und [[Sparsität]]. Nutze eigene Beispiele und kurze Erklärungen.
# [[Alltagsvergleich]]: Vergleiche eine klassische Handy-Kamera mit einer Ereigniskamera. Beschreibe in eigenen Worten, was beide Systeme bei einer stillstehenden Szene und bei einer schnellen Bewegung liefern würden.
# [[Mini-Experiment]]: Beobachte eine bewegte Szene, zum Beispiel einen Ball, eine Handbewegung oder fahrende Fahrräder. Notiere, welche Bildbereiche sich verändern und welche gleich bleiben.
# [[Skizze]]: Zeichne eine einfache Szene mit fünf Pixeln, bei denen nur drei eine Helligkeitsänderung melden. Beschrifte die Ereignisse mit Ort, Zeit und Polarität.

{{BR}}
=== Standard ===
# [[Datenmodell]]: Entwerfe eine kleine Tabelle mit zehn fiktiven Ereignissen. Jede Zeile enthält x-Koordinate, y-Koordinate, Zeitstempel und Polarität. Erkläre, welche Bewegung daraus erkennbar sein könnte.
# [[Systemvergleich]]: Erstelle eine Vergleichsgrafik zu [[Framebasierte Kamera|framebasierter Kamera]], [[Ereigniskamera]] und [[Hybridsensor]]. Bewerte die Systeme für Robotik, Überwachung, Forschung und Smartphone-Nutzung.
# [[Anwendungsfall]]: Entwickle ein Konzept für eine energiearme [[Edge AI|Edge-AI-Anwendung]], die mit einer Ereigniskamera arbeitet. Beschreibe Sensor, Datenfluss, Modell, Ausgabe und Nutzen.
# [[Ethikdiskussion]]: Formuliere drei Chancen und drei Risiken ereignisbasierter Vision. Diskutiere, wie [[Datenschutz]] und [[Transparenz]] bereits beim Entwurf berücksichtigt werden können.

{{BR}}
=== Schwer ===
# [[Netzarchitektur]]: Skizziere eine Pipeline, die Ereignisdaten zuerst in ein Voxelraster umwandelt und danach mit einem neuronalen Netz verarbeitet. Begründe jeden Schritt.
# [[SNN-Konzept]]: Beschreibe ein einfaches [[Spiking Neural Network]], das erkennt, ob sich ein Objekt nach links oder rechts bewegt. Erkläre, welche Neuronen wann aktiv werden.
# [[Forschungsfrage]]: Entwickle eine eigene Forschungsfrage zur neuromorphen Effizienz. Formuliere Hypothese, Messgrößen, Versuchsaufbau und mögliche Störfaktoren.
# [[Kritische Bewertung]]: Analysiere einen sicherheitskritischen Einsatzbereich wie autonomes Fahren oder Drohnen. Erkläre, warum geringe Latenz allein nicht genügt und welche zusätzlichen Sicherheitsmechanismen nötig sind.

{{:Offene Aufgabe - MOOC erstellen}}

{{BR}}
= Lernkontrolle =
# [[Transferaufgabe Sensorwahl]]: Du planst ein Robotersystem für eine helle Fabrikhalle mit sehr schnellen Bewegungen. Begründe, ob eine klassische Kamera, eine Ereigniskamera oder ein hybrides System sinnvoll wäre.
# [[Dateninterpretation]]: Erkläre anhand eines fiktiven Ereignisstroms, wie aus einzelnen Helligkeitsänderungen eine Bewegung rekonstruiert werden kann.
# [[Architekturentscheidung]]: Vergleiche drei Ansätze zur Verarbeitung von Ereignisdaten: Event Frames, Voxel Grids und Spiking Neural Networks. Bewerte sie nach Latenz, Informationsverlust und Implementierungsaufwand.
# [[Ethik und Technik]]: Entwickle Regeln für ein Schulprojekt mit Ereigniskamera, damit Datenschutz, Einwilligung und verantwortliche Datennutzung gewährleistet sind.
# [[Fehleranalyse]]: Ein System erkennt in einer dunklen, statischen Szene kaum Objekte. Erkläre, warum das bei Ereigniskameras auftreten kann und wie ein hybrider Ansatz helfen könnte.
# [[Nachhaltigkeitsanalyse]]: Beurteile, wann geringerer Energieverbrauch wirklich nachhaltig ist und wann zusätzliche Hardware, Trainingsaufwand oder Überwachungseffekte den Nutzen relativieren können.

<br>
<br>
{{BR}}
= Lernnachweis =
Für einen gelungenen [[Lernnachweis]] zu diesem Thema solltest Du zeigen, dass Du nicht nur Begriffe wiedergeben kannst, sondern Zusammenhänge verstehst und anwenden kannst.
# [[Begriffssicherheit]]: Du erklärst die Begriffe [[Ereignis]], [[Pixel]], [[Zeitstempel]], [[Polarität]], [[Sparsität]], [[Latenz]] und [[Neuromorphe Technik]] korrekt.
# [[Systemverständnis]]: Du stellst den Unterschied zwischen [[Framebasierte Kamera|framebasierter Kamera]] und [[Ereigniskamera]] mit eigenen Beispielen dar.
# [[Datenkompetenz]]: Du interpretierst einen einfachen Ereignisstrom und leitest daraus eine mögliche Bewegung oder Änderung ab.
# [[KI-Kompetenz]]: Du begründest, warum klassische [[CNN]]s angepasst werden müssen und wann [[Spiking Neural Network|spikende Netze]] sinnvoll sein können.
# [[Transferleistung]]: Du entwickelst eine Anwendung und entscheidest begründet über Sensor, Datenformat, Netzarchitektur und Bewertungskriterien.
# [[Reflexion]]: Du bewertest Chancen, Grenzen, Risiken und ethische Fragen ereignisbasierter Vision.

<br>
<br>
{{BR}}
= OERs zum Thema =
<iframe> https://de.m.wikipedia.org/wiki/Ereignisbasierter_Bildsensor </iframe>

{{BR}}
== Weitere freie und offene Vertiefungen ==
# [[Wikipedia]]: Der Artikel [[Ereignisbasierter Bildsensor]] bietet einen kompakten Einstieg in Sensorprinzip und Abgrenzung zu klassischen Kameras.
# [[Wikimedia Commons]]: Die Dateien [[Faces in Event Streams.png]], [[Real time face detection model on event streams.webm]] und [[Robotic-goalie-with-3-ms-reaction-time-at-4%-CPU-load-using-event-based-dynamic-vision-sensor-Movie1.ogv]] veranschaulichen Ereignisdaten und Anwendungen.
# [[Forschungsliteratur]]: Übersichtsarbeiten zu [[Event-based Vision]] erklären Sensorik, Algorithmen, Anwendungen und offene Forschungsfragen.
# [[Bildungsvideo]]: Das eingebettete Video zur Reihe [[Neuronale Netze neu denken]] verbindet Ereignisverarbeitung, Sensorarchitektur und neuromorphe Effizienz.

{{#ev:youtube|https://www.youtube.com/watch?v=aCojsbZYT94|500|center}}

{{BR}}
= Links =
{| align=center
{{:D-Tab}}
'''[[Ereignisbasierte Vision]]'''
# [[Ereignisbasierter Bildsensor]]
# [[Eventkamera]]
# [[Dynamic Vision Sensor]]
# [[Neuromorphe Technik]]
# [[Neuromorphe Hardware]]
# [[Spiking Neural Network]]
# [[Neuronales Netz]]
# [[Convolutional Neural Network]]
# [[Computer Vision]]
# [[Edge AI]]
# [[Robotik]]
# [[Autonomes Fahren]]
# [[Maschinelles Lernen]]
# [[Künstliche Intelligenz]]
|}

[[Kategorie:Informatik]]
[[Kategorie:Künstliche Intelligenz]]
[[Kategorie:Neuronale Netze]]
[[Kategorie:Computer Vision]]
[[Kategorie:Robotik]]
[[Kategorie:Technik]]
[[Kategorie:Medienbildung]]
[[Kategorie:Digitale Bildung]]
[[Kategorie:Sekundarstufe II]]
[[Kategorie:Studium]]
[[Kategorie:Berufliche Bildung]]

{{BR}}
= aiMOOC-Projekte =
[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]]
{{MT}}

Ereignisbasierte Vision und neuronale Netze neu denken - Versionsgeschichte

Glanz: aiMOOC über GPT aiMOOC Action erstellt