Pam mae adnabod delwedd yn bwysig?

Mae tua 80 y cant o'r cynnwys ar y rhyngrwyd yn weledol. Gallwch chi ddechrau gweithio allan pam y gallai tagio delweddau ddal ei le fel brenin y tabl cynnwys. P'un a yw'n unigolion neu'n gwmnïau, mae cydnabyddiaeth delwedd AI wedi ei gwneud hi'n bosibl adnabod delweddau ar-lein heb fawr o ffwdan. Mae tua 657 biliwn o luniau'n cael eu postio'n ddigidol bob blwyddyn, gyda'r mwyafrif yn ymddangos ar gyfryngau cymdeithasol. Rhan dda o'r delweddau hynny yw pobl sy'n hyrwyddo cynhyrchion, hyd yn oed os ydynt yn gwneud hynny'n ddiarwybod. Mae cynnwys a gynhyrchir gan ddefnyddwyr (UGC) yn ei ffurf buraf yn alluogwr rhagorol ar gyfer brandiau gan ei fod yn darparu'r math gorau o hyrwyddiad.
Mae yna offer marchnata i rybuddio cwmnïau pan fo sôn gan ddefnyddwyr ar gyfryngau cymdeithasol, ond beth am pan fydd hyrwyddo brandiau yn digwydd heb i unrhyw un dagio eu henw yn y post cymdeithasol? Dyma lle mae cydnabyddiaeth delwedd AI yn profi ei werth. Os yw'r dechnoleg yn cael ei bwydo â'r setiau data cywir, gall AI nodi delwedd heb grybwyll tag penodol. Mae'r canlyniadau'n amhrisiadwy i frandiau olrhain ac olrhain eu cyfeiriadau cymdeithasol.

Sut mae adnabod delwedd yn gweithio?

Fel y gwyddom, gall AI chwilio llwyfannau cyfryngau cymdeithasol yn chwilio am luniau a'u cymharu â setiau data helaeth. Yna mae'n penderfynu ar ddelwedd berthnasol sy'n cyfateb ar gyfradd llawer cyflymach nag y gall pobl ei gwneud. Mae brandiau'n defnyddio adnabyddiaeth delwedd i ddod o hyd i gynnwys tebyg i'w rhai nhw ar gyfryngau cymdeithasol. Mae hynny'n golygu nodi logo brand neu gydnabod lleoliad cynnyrch sydd wedi'i leoli'n organig ymhlith defnyddwyr cyfryngau cymdeithasol. Mae gofyn i bobl bori trwy gymaint o wybodaeth yn hawdd yn mynd yn flinedig. Nid yw AI yn poeni am y gwall dynol, ac mae'n dychwelyd canlyniadau manwl gywir ar lefelau heb eu hail. Mae adnabod delwedd AI yn monitro'r hyn y mae pobl yn ei ddweud am frand heb yr angen am destun. Bydd brandiau sy'n gallu olrhain eu cyfeiriadau cymdeithasol heb fod angen i ddefnyddwyr deipio enw'r cwmni yn cael eu hunain mewn sefyllfa fanteisiol. Mae'r potensial i fanteisio ar eu darllediadau ar-lein eu hunain yn unig trwy ddynodwyr a gydnabyddir gan AI yn enfawr ac yn cynnig sylw heb ei ail.

Dyma rai tasgau nodweddiadol o adnabod delweddau:-

Ar y dechrau mae'n rhaid i ni benderfynu a yw'r data delwedd yn cynnwys rhyw wrthrych, nodwedd neu weithgaredd penodol ai peidio. Fel arfer gall y dasg hon gael ei datrys yn gadarn a heb ymdrech gan ddyn, ond nid yw'n dal i gael ei datrys yn foddhaol mewn gweledigaeth gyfrifiadurol ar gyfer yr achos cyffredinol: gwrthrychau mympwyol mewn sefyllfaoedd mympwyol. Dim ond ar gyfer gwrthrychau penodol y gellir datrys y dulliau presennol o ddelio â'r broblem hon, megis gwrthrychau geometrig syml (ee, polyhedra), wynebau dynol, cymeriadau printiedig neu lawysgrifen, neu gerbydau, ac mewn sefyllfaoedd penodol, a ddisgrifir yn nodweddiadol mewn termau o oleuo wedi'i ddiffinio'n dda, cefndir, ac ystum y gwrthrych o'i gymharu â'r camera. Disgrifir gwahanol fathau o'r broblem adnabod yn y llenyddiaeth:

• Adnabod gwrthrychau

Gellir adnabod un neu nifer o wrthrychau neu ddosbarthiadau gwrthrychau a ragnodwyd neu a ddysgwyd, fel arfer ynghyd â'u safleoedd 2D yn y ddelwedd neu ystumiau 3D yn yr olygfa.

• Adnabod
Mae enghraifft unigol o wrthrych yn cael ei gydnabod. Enghreifftiau yw adnabod wyneb neu olion bysedd person penodol, neu adnabod cerbyd penodol.

• Canfod
Mae'r data delwedd yn cael ei sganio am gyflwr penodol. Enghreifftiau yw canfod celloedd neu feinweoedd annormal posibl mewn delweddau meddygol neu ganfod cerbyd mewn system tollau ffordd awtomatig. Weithiau defnyddir canfod sy'n seiliedig ar gyfrifiannau cymharol syml a chyflym i ddod o hyd i ranbarthau llai o ddata delwedd ddiddorol y gellir eu dadansoddi ymhellach gan dechnegau sy'n fwy anodd yn gyfrifiadurol i gynhyrchu dehongliad cywir.

Mae sawl tasg arbenigol yn seiliedig ar gydnabyddiaeth yn bodoli, megis:

• Adalw delwedd yn seiliedig ar gynnwys
Yma dod o hyd i bob delwedd mewn set fwy o ddelweddau sydd â chynnwys penodol. Gellir nodi'r cynnwys mewn gwahanol ffyrdd, er enghraifft o ran tebygrwydd o gymharu â delwedd darged (rhowch i mi bob delwedd sy'n debyg i ddelwedd X), neu yn nhermau meini prawf chwilio lefel uchel a roddir fel mewnbwn testun (rhowch i mi bob delwedd sy'n cynnwys llawer o dai, yn cael eu cymryd yn ystod y gaeaf, ac heb unrhyw geir ynddynt).

• Posibilrwydd o amcangyfrif
mae'n rhaid i ni amcangyfrif lleoliad neu gyfeiriadedd gwrthrych penodol mewn perthynas â'r camera. Enghraifft o gymhwysiad ar gyfer y dechneg hon fyddai cynorthwyo robot i adalw gwrthrychau o gludfelt mewn sefyllfa llinell gydosod.

• Adnabod nodau optegol
OCR sef adnabod cymeriadau mewn delweddau o destun printiedig neu lawysgrifenedig, fel arfer gyda'r bwriad o amgodio'r testun mewn fformat mwy a'i alluogi i olygu neu fynegeio Adran Cyfrifiadureg a Pheirianneg, Prifysgol Talaith Michigan. “Mae'r Gyfadran Adnabod Patrymau a Phrosesu Delweddau (PRIP) Lab a myfyrwyr yn ymchwilio i'r defnydd o beiriannau i adnabod patrymau neu wrthrychau. Datblygir dulliau i synhwyro gwrthrychau, i ddarganfod pa rai o'u nodweddion sy'n eu gwahaniaethu oddi wrth eraill, ac i ddylunio algorithmau y gall peiriant eu defnyddio i wneud y dosbarthiad. Mae cymwysiadau pwysig yn cynnwys adnabod wynebau, adnabod olion bysedd, dadansoddi delwedd dogfen, adeiladu model gwrthrych 3D, llywio robotiaid, a delweddu / archwilio data cyfeintiol 3D. Mae problemau ymchwil cyfredol yn cynnwys dilysu biometrig, gwyliadwriaeth ac olrhain awtomatig, HCI di-law, modelu wynebau, dyfrnodi digidol a dadansoddi strwythur dogfennau ar-lein. Mae graddedigion diweddar y labordy wedi gweithio ar adnabod llawysgrifen, dilysu llofnod, dysgu gweledol, ac adalw delweddau.”

⦁ Cydnabyddiaeth Wyneb
gwyddom fod systemau adnabod wynebau yn dod yn fwyfwy poblogaidd fel modd o echdynnu gwybodaeth fiometrig. Mae gan adnabod wynebau rôl hanfodol mewn systemau biometrig ac mae'n ddeniadol ar gyfer nifer o gymwysiadau gan gynnwys gwyliadwriaeth weledol a diogelwch. Oherwydd bod y cyhoedd yn gyffredinol yn derbyn delweddau wyneb ar wahanol ddogfennau, mae gan adnabod wynebau botensial mawr i ddod yn dechnoleg biometrig y genhedlaeth nesaf o ddewis.

Systemau Adnabod Delwedd

⦁ Dadansoddiad cynnig
Mae sawl tasg yn ymwneud ag amcangyfrif mudiant lle mae dilyniant delwedd yn cael ei brosesu i gynhyrchu amcangyfrif o'r cyflymder naill ai ym mhob pwynt yn y ddelwedd neu yn yr olygfa 3D, neu hyd yn oed o'r camera sy'n cynhyrchu'r delweddau. Enghreifftiau o dasgau o'r fath yw:

⦁  Cynnig ego
Pennu mudiant anhyblyg 3D (cylchdro a chyfieithiad) y camera o ddilyniant delwedd a gynhyrchwyd gan y camera.

⦁ Olrhain
Olrhain yw dilyn symudiadau set lai (fel arfer) o bwyntiau neu wrthrychau diddordeb (ee, cerbydau neu bobl) yn y dilyniant delwedd.

⦁ Llif optegol
Mae hyn er mwyn pennu, ar gyfer pob pwynt yn y ddelwedd, sut mae'r pwynt hwnnw'n symud o'i gymharu â phlân y ddelwedd, hy, ei fudiant ymddangosiadol. Mae'r symudiad hwn yn ganlyniad i sut mae'r pwynt 3D cyfatebol yn symud yn yr olygfa a sut mae'r camera'n symud o'i gymharu â'r olygfa.

⦁ Ail-greu golygfa
O gael un neu (fel arfer) fwy o ddelweddau o olygfa, neu fideo, mae ail-greu golygfa yn anelu at gyfrifiaduro model 3D o'r olygfa. Yn yr achos symlaf gall y model fod yn set o bwyntiau 3D. Mae dulliau mwy soffistigedig yn cynhyrchu model wyneb 3D cyflawn

⦁ Adfer delwedd
Nod adfer delwedd yw cael gwared ar sŵn (sŵn synhwyrydd, niwl mudiant, ac ati) o ddelweddau. Y dull symlaf posibl o gael gwared â sŵn yw gwahanol fathau o hidlwyr fel hidlwyr pas-isel neu hidlwyr canolrif. Mae dulliau mwy soffistigedig yn rhagdybio model o sut olwg sydd ar y strwythurau delwedd lleol, model sy'n eu gwahaniaethu oddi wrth y sŵn. Trwy ddadansoddi'r data delwedd yn gyntaf o ran y strwythurau delwedd leol, megis llinellau neu ymylon, ac yna rheoli'r hidlo yn seiliedig ar wybodaeth leol o'r cam dadansoddi, ceir lefel well o dynnu sŵn fel arfer o'i gymharu â'r dulliau symlach. Enghraifft yn y maes hwn yw eu paentiad. Mae rhai systemau yn gymwysiadau annibynnol sy'n datrys problem fesur neu ganfod benodol, tra bod eraill yn is-system o ddyluniad mwy sydd, er enghraifft, hefyd yn cynnwys is-systemau ar gyfer rheoli actiwadyddion mecanyddol, cynllunio, cronfeydd data gwybodaeth, dyn-. rhyngwynebau peiriant, ac ati. Mae gweithrediad penodol system weledigaeth gyfrifiadurol hefyd yn dibynnu a yw ei swyddogaeth wedi'i rag-nodi neu a ellir dysgu neu addasu rhyw ran ohoni yn ystod gweithrediad. Fodd bynnag, mae swyddogaethau nodweddiadol i'w cael mewn llawer o systemau golwg cyfrifiadurol.

 

Dysgu dyfnach gydag adnabod delweddau

Roedd cydnabyddiaeth delwedd o gwmpas cyn AI. Ond mae'r ffactor dysgu peirianyddol yn chwyldroi dulliau o adnabod gwrthrych neu wyneb person. Fodd bynnag, dim ond pan fydd data i'w fwydo y mae dysgu peiriant yn effeithiol. Ar gyfer holl awtomeiddio AI, nid yw ei dasgu i adnabod delweddau yn gais syml. Ail natur yw ein dealltwriaeth o bethau gweledol; mae'n rhywbeth yr ydym wedi'i raglennu i'w wneud o oedran ifanc. Nid yw gofyn yr un peth i beiriant yn broses syml. Am y rheswm hwnnw, un o'r mathau mwyaf poblogaidd o adnabod AI yw rhwydweithiau niwral convolutional (CNN). Mae CNN yn ddull sy'n canolbwyntio ar bicseli sydd wedi'u lleoli wrth ymyl ei gilydd. Mae delweddau sydd wedi'u lleoli'n agos yn fwy tebygol o fod yn perthyn, sy'n golygu bod gwrthrych neu wyneb yn cyfateb i lun gyda mwy o dryloywder.
Er bod brandiau sy'n edrych i fanteisio ar gyfryngau cymdeithasol trwy gydnabyddiaeth delwedd AI yn cynnig buddion clir, mae ei achosion defnydd yn rhedeg yn llawer dyfnach. Mae ceir hunan-yrru ar fin bod y peth mawr nesaf yn y byd ceir, ac mae technoleg adnabod delweddau AI yn helpu i'w pweru. Nid yw car hunan-yrru sy'n gallu canfod gwrthrychau a phobl ar y ffordd fel nad yw'n taro i mewn iddynt yn digwydd yn awtomatig. Mae angen iddo adnabod y delweddau i wneud penderfyniadau gwybodus. Mae pob car hunan-yrru wedi'i ffitio â sawl synhwyrydd fel y gall adnabod cerbydau symudol eraill, beicwyr, pobl - yn y bôn unrhyw beth a allai achosi perygl. Mae angen i gar awtomataidd brosesu peryglon y ffordd yn yr un ffordd ag y mae gyrrwr profiadol yn ei wneud. Mae yna rai agweddau i'w datrys o hyd cyn i geir hunan-yrru gyrraedd y ffordd yn 2020. Ond pan fydd awtomeiddio cerbydau yn cychwyn, bydd adnabod delwedd AI yn un o'r prif yrwyr y tu ôl iddynt i weithio'n ddiogel.
⦁ Delwedd-gaffael
Cynhyrchir delwedd ddigidol gan un neu sawl synhwyrydd delwedd, sydd, ar wahân i wahanol fathau o gamerâu sy'n sensitif i olau, yn cynnwys synwyryddion amrediad, dyfeisiau tomograffeg, radar, camerâu uwch-sonig, ac ati Yn dibynnu ar y math o synhwyrydd, mae'r data delwedd sy'n deillio o hynny yn ddelwedd 2D arferol, yn gyfrol 3D, neu'n ddilyniant delwedd. Mae'r gwerthoedd picsel fel arfer yn cyfateb i arddwysedd golau mewn un neu nifer o fandiau sbectrol (delweddau llwyd neu ddelweddau lliw), ond gallant hefyd fod yn gysylltiedig â gwahanol fesurau corfforol, megis dyfnder, amsugno neu adlewyrchiad tonnau sonig neu electromagnetig, neu gyseiniant magnetig niwclear.
⦁ Rhag-brosesu:
Cyn y gellir cymhwyso dull gweledigaeth gyfrifiadurol i ddata delwedd er mwyn tynnu darn penodol o wybodaeth, fel arfer mae angen prosesu'r data er mwyn sicrhau ei fod yn bodloni rhai rhagdybiaethau a awgrymir gan y dull. Enghreifftiau yw
1. Ail-samplu er mwyn sicrhau bod y system cydlynu delwedd yn gywir.
2. Lleihau sŵn er mwyn sicrhau nad yw sŵn synhwyrydd yn cyflwyno gwybodaeth ffug.
3. Gwella cyferbyniad i sicrhau y gellir canfod gwybodaeth berthnasol.
4. Cynrychioli maint-gofod i wella strwythurau delwedd ar raddfeydd priodol yn lleol.
⦁ echdynnu nodwedd:
Mae nodweddion delwedd ar lefelau amrywiol o gymhlethdod yn cael eu tynnu o'r data delwedd. Enghreifftiau nodweddiadol o nodweddion o'r fath yw llinellau, ymylon a chribau
Pwyntiau diddordeb lleol megis corneli, smotiau neu bwyntiau. Gall nodweddion mwy cymhleth fod yn gysylltiedig â gwead, siâp neu fudiant.
⦁ Canfod/segmentu:
Ar ryw adeg yn y prosesu gwneir penderfyniad ynghylch pa bwyntiau delwedd neu rannau o'r ddelwedd sy'n berthnasol i'w prosesu ymhellach. Enghreifftiau yw
1. Dewis set benodol o bwyntiau diddordeb
2. Segmentu un neu ranbarthau delwedd lluosog sy'n cynnwys gwrthrych penodol o ddiddordeb.
⦁ Prosesu lefel uchel:
Ar y cam hwn mae'r mewnbwn fel arfer yn set fach o ddata, er enghraifft set o bwyntiau neu ranbarth delwedd y tybir ei fod yn cynnwys gwrthrych penodol. Mae'r prosesu sy'n weddill yn delio â, er enghraifft:
1. Gwirio bod y data'n bodloni rhagdybiaethau sy'n seiliedig ar fodel a rhai sy'n benodol gymwys.
2. Amcangyfrif paramedrau cais penodol, megis gwrthrych ystum neu objectize.
3. Dosbarthu gwrthrych a ganfuwyd i mewn i wahanol gategorïau.So, mae prosesu delwedd yn helpu AI i adnabod y ddelwedd ac ymateb yn ôl yr adnabod delwedd.

Dyfodol di-dor o ddelweddaeth

Wrth i'r dechnoleg wella, bydd adnabod delwedd yn dod â chanlyniadau hyd yn oed yn fwy. Dywed Pennaeth Dysgu Peiriannau Cimychiaid, Vladimir Pavlov, “Mae’r sail fathemategol ar gyfer adnabod gwrthrychau wedi bodoli ers amser maith, ond ymddangosodd posibiliadau technolegol o ddefnyddio algorithmau gweledigaeth gyfrifiadurol yn ddiweddar. Eisoes, mae rhwydweithiau niwral yn caniatáu gwneud synwyryddion perffaith sy'n gallu gweithio'n well na bodau dynol. Mae jerk mawr yn atal presenoldeb setiau data delwedd wedi'u marcio ar gyfer hyfforddiant, ond yn y dyfodol agos, ni fydd hyn yn broblem. Mae peirianwyr golwg cyfrifiadurol wrthi'n gweithio ar algorithmau hunanddysgu”. Gyda dyfodol sydd wedi'i ddylanwadu mor drwm gan gyfathrebu gweledol, adnabod delweddau fydd y ffactor allweddol y tu ôl i lawer o'r lluniau a welwn. Mewn bywyd go iawn ac ar-lein.