Deep industrial transfer learning at runtime for image recognition

Abstract: The utilization of deep learning in the field of industrial automation is hindered by two factors: The amount and diversity of training data needed as well as the need to continuously retrain as the use case changes over time. Both problems can be addressed by industrial deep transfer learning allowing for the performant, continuous and potentially distributed training on small, dispersed datasets. As a specific example, a dual memory algorithm for computer vision problems is developed and evaluated. It shows the potential for state-of-the-art performance while being trained only on fractions of the complete ImageNet dataset at multiple locations at once.
Die Nutzung von Deep Learning auf dem Gebiet der Industrie-Automatisierung wird durch zwei Faktoren behindert: Die benötigte Menge und Vielfalt von Trainingsdaten sowie die Notwendigkeit, fortlaufend nachzutrainieren, wenn sich der Anwendungsfall im Laufe der Zeit wandelt. Beide Probleme können durch Industrial Deep Transfer Learning gelöst werden: Es ermöglicht performantes, kontinuierliches und bedarfsabhängig verteiltes Lernen auf kleinen, verstreuten Datensätzen. Als konkretes Beispiel wird ein Dual-Memory-Algorithmus für Computer-Vision-Probleme entwickelt und evaluiert. Er zeigt das Potenzial für state-of-the-art Performanz, während er jeweils auf Ausschnitten des kompletten ImageNet-Datensatzes an verschiedenen Standorten gleichzeitig trainiert wird.

Object Details

• Alternative title: Deep Industrial Transfer Learning für Bilderkennung zur Laufzeit
• Location: Deutsche Nationalbibliothek Frankfurt am Main
• Extent: Online-Ressource
• Language: Englisch

References and Relationships

• Bibliographic citation: Deep industrial transfer learning at runtime for image recognition ; volume:69 ; number:3 ; year:2021 ; pages:211-220 ; extent:10 ; Automatisierungstechnik ; 69, Heft 3 (2021), 211-220 (gesamt 10)

Contributors, Places and Time

• Creator: Maschler, Benjamin ; Kamm, Simon ; Weyrich, Michael

Further information

• DOI: 10.1515/auto-2020-0119
• URN: urn:nbn:de:101:1-2405311547233.953056584259
• Rights: Open Access; Der Zugriff auf das Objekt ist unbeschränkt möglich.
• Last update: 14.08.2025, 10:45 AM CEST