Çima naskirina wêneyê girîng e?

Ji sedî 80ê naveroka li ser înternetê dîtbarî ye. Hûn dikarin jixwe dest bi xebatê bikin ka çima nîşankirina wêneyê dibe ku cîhê xwe wekî padîşahê tabloya naverokê bigire. Çi ew kes an pargîdan bin, naskirina wêneya AI-ê gengaz kiriye ku hûn dîmenên serhêl bi hûrguliyek hindiktirîn nas bikin. Li wir dora 657 mîlyar wêne her sal bi dîjîtal têne şandin, ku piraniya wan li ser medyaya civakî têne xuyang kirin. Beşek baş ji wan wêneyan kesên ku hilberan danasînê dikin, her çend ew bi nezanî vê yekê bikin. Naveroka ku ji hêla bikarhêner ve hatî hilberandin (UGC) di forma xweya herî paqij de ji bo marqeyan çalakkerek hêja ye ji ber ku ew celebê çêtirîn pêşvebirinê peyda dike.
Amûrên kirrûbirrê hene ku dema ku li ser medyaya civakî behsa xerîdar tê kirin hişyarî bidin pargîdaniyan, lê gelo gava ku pêşvebirina marqeyan bêyî ku kes navê xwe di posta civakî de nîşan bide çêdibe? Li vir e ku naskirina wêneya AI-ê nirxa xwe îsbat dike. Ger teknolojî bi danehevên rast were xwarin, AI dikare wêneyek bêyî behskirina tagên taybetî nas bike. Encam ji bo marqeyên ku bişopînin û bişopînin behsên xwe yên civakî biqîmet in.

Naskirina wêneyê çawa dixebite?

Wekî ku em dizanin AI dikare li platformên medyaya civakî li wêneyan bigere û wan bi berhevokên daneya berfireh berhev bike. Dûv re ew li ser wêneya têkildar biryar dide ku bi rêjeyek pir zûtir ji ya ku mirov jêhatî hev dike. Marqe naskirina wêneyê bikar tînin da ku li ser medyaya civakî naverokek mîna ya xwe bibînin. Ev tê vê wateyê ku logoya marqeyekê nas bike an jî cîhgirtina hilberek organîkî ya di nav bikarhênerên medyaya civakî de nas bike. Daxwaza ji mirovan re ku ew qas agahdarî bişopînin bi hêsanî westiyayî dibe. AI ji xeletiya mirovî natirse, û encamên rast di astên bêhempa de vedigerîne. Naskirina wêneya AI-ê çavdêriya tiştên ku mirov li ser marqeyekê dibêjin bêyî hewceyê nivîsê dike. Marqeyên ku dikarin behsên xwe yên civakî bişopînin bêyî ku bikarhêner hewce bike ku navê pargîdaniyê binivîsin dê xwe di rewşek bikêr de bibînin. Potansiyela ku meriv tenê bi navgîniya nasnavên naskirî yên AI-ê veguhezîne serhêla xweya serhêl pir mezin e û vegirtinek bêhempa pêşkêşî dike.

Li vir çend karên gelemperî yên naskirina wêneyê hene: -

Di destpêkê de pêdivî ye ku em diyar bikin ka daneyên wêneyê hin tiştek taybetî, taybetmendî, an çalakiyê heye an na. Ev peywir bi gelemperî dikare bi hêz û bê hewldan ji hêla mirov ve were çareser kirin, lê dîsa jî di dîtina komputerê de ji bo rewşa gelemperî bi têrker nayê çareser kirin: tiştên keyfî di rewşên keyfî de. Rêbazên heyî yên ji bo mijûlbûna bi vê pirsgirêkê re çêtirîn dikarin tenê ji bo tiştên taybetî werin çareser kirin, wek tiştên geometrîkî yên hêsan (mînak, polyhedra), rûyên mirovan, karakterên çapkirî an bi destan hatine nivîsandin, an wesayît, û di rewşên taybetî de, bi gelemperî bi têgînan têne diyar kirin. ronahiyek, paşxane, û pozîsyona tiştê ku bi kamerayê re baş diyarkirî ye. Cûreyên cûda yên pirsgirêka naskirinê di wêjeyê de têne diyar kirin:

• Naskirina Objekt

Yek an çend tiştên pêş-teybetkirî an fêrbûyî an çînên tiştan dikarin bêne nas kirin, bi gelemperî digel pozîsyonên wan ên 2D di wêneyê de an pozên 3D di dîmenê de.

• Nasname
Nimûneyek kesane ya objeyekê tê naskirin. Nimûne naskirina rû an şopa tiliya kesek taybetî, an jî nasnameya wesayîtek taybetî ye.

• Tespîtkirin
Daneyên wêneyê ji bo rewşek taybetî têne şûştin. Nimûne di dîmenên bijîjkî de tespîtkirina şaneyên an tevnên nenormal ên muhtemel an tespîtkirina wesayitek di pergala baca rê ya otomatîk de ye. Tespîtkirina ku li ser bingeha hesabên bi nisbeten hêsan û bilez pêk tê carinan ji bo dîtina deverên piçûktir ên daneyên wêneya balkêş têne bikar anîn ku dikarin ji hêla teknîkên hêjmarî yên daxwazker ve bêtir werin analîz kirin da ku şîroveyek rast çêbikin.

Gelek karên pispor ên li ser bingeha naskirinê hene, wekî:

• Vegerandina wêneya li ser naverokê
Li vir hemî wêneyan di komek mezin a wêneyên ku naverokek taybetî heye de têne dîtin. Naverok dikare bi awayên cihêreng were destnîşan kirin, mînakî di warê wekheviya nîgara armancê de (hemû wêneyên mîna wêneya X bide min), an jî li gorî pîvanên lêgerîna asta bilind ên ku wekî têketina nivîsê têne dayîn (hemû wêneyên ku tê de hene bidin min gelek xanî, di zivistanê de têne girtin û tirimbêl di wan de tune).

• Texmîna pozê
divê em li gorî kamerayê pozîsyon an rêgezek tiştek taybetî texmîn bikin. Serîlêdana mînakek ji bo vê teknîkê dê bibe arîkariya robotek ku di rewşek xêza kombûnê de tiştan ji kembera veguhêz digire.

• Naskirina karaktera optîkî
OCR ku di wêneyên metna çapkirî an bi destan de nasandina karakteran e, bi gelemperî bi mebesta ku nivîsê bi qalibek bêtir şîfre bike û bikaribe sererastkirin an îndekskirina Beşa Zanist û Endezyariya Komputerê, Zanîngeha Dewleta Michigan bike. "Fakulteya Laboratorê Naskirina Nimûne û Pêvajoya Wêne (PRIP) û xwendekar li ser karanîna makîneyan ji bo naskirina qalib û tiştan lêkolîn dikin. Rêbaz têne pêşve xistin da ku tiştan hîs bikin, kifş bikin ka kîjan taybetmendiyên wan wan ji yên din vediqetînin, û sêwirana algorîtmayên ku ji hêla makîneyê ve ji bo dabeşkirinê bikar bînin bikar bînin. Serîlêdanên girîng naskirina rû, nasnameya şopa tiliyê, analîzkirina wêneya belgeyê, avakirina modela tiştên 3D, navîgasyon robot, û dîtbarî/lêgerîna daneyên volumetricî yên 3D hene. Pirsgirêkên lêkolînê yên heyî verastkirina biyometrîk, çavdêrîkirin û şopandina otomatîk, HCI-ya bê dest, modela rû, nîşankirina avê dîjîtal û analîzkirina strukturên belgeyên serhêl hene. Mezûnên dawî yên laboratûwarê li ser naskirina destnivîsê, verastkirina îmzeyê, fêrbûna dîtbarî, û vegerandina wêneyê xebitîne."

⦁ Naskirina Rû
em dizanin ku pergalên naskirina rûyê wekî navgînên derxistina agahdariya biyometrîk bi pêşve diçin populer dibin. Naskirina rû di pergalên biyometrîk de rolek krîtîk heye û ji bo gelek serlêdanan, tevî çavdêriya dîtbar û ewlehiyê, balkêş e. Ji ber pejirandina gelemperî ya wêneyên rûyê li ser belgeyên cihêreng, naskirina rû potansiyelek mezin heye ku bibe teknolojiya biyometrîkî ya nifşê bijarte.

Pergalên Naskirina Wêne

⦁ Analîzkirina tevgerê
Gelek peywir bi texmîna tevgerê ve girêdayî ne ku rêzek wêneyê tê hilberandin da ku texmînek lezê li her xalên wêneyê an di dîmena 3D de, an jî kameraya ku wêneyan çêdike were hilberandin. Nimûneyên karên weha ev in:

⦁  Ego motion
Diyarkirina tevgera hişk a 3D (zivirandin û werger) kamerayê ji rêzek wêneyek ku ji hêla kamerayê ve hatî hilberandin.

⦁ Şopandin
Şopandin di rêza wêneyê de li pey tevgerên komek (bi gelemperî) piçûktir xal an tiştan (mînak, wesayît an mirov) ye.

⦁ Herikîna optîkî
Ev tê wê wateyê ku, ji bo her xalek di wêneyê de, ew xal çawa li gorî plana wêneyê dimeşe, ango tevgera wê ya xuyayî. Ev tevger hem encamek e ku xala 3D ya têkildar di dîmenê de çawa dimeşe û hem jî kamera li gorî dîmenê çawa dimeşe.

⦁ Ji nû ve avakirina dîmen
Ji ber ku yek an (bi gelemperî) bêtir wêneyên dîmenek, an vîdyoyek têne dayîn, ji nû veavakirina dîmenê armanc dike ku modelek 3D ya dîmenê hesab bike. Di rewşa herî hêsan de model dikare komek xalên 3D be. Rêbazên bêtir sofîstîke modelek rûkal a 3D ya bêkêmasî hilberînin

⦁ Vejandina wêneyê
Armanca vegerandina wêneyê rakirina deng (dengê sensor, tevneheviya tevgerê, hwd.) ji wêneyan e. Nêzîkatiya herî hêsan a ji bo rakirina deng cûrbecûr fîlteran e, wekî fîlterên kêm-derbas an fîlterên navîn. Rêbazên sofîstîketir modelek destnîşan dikin ka strukturên wêneya herêmî çawa xuya dikin, modelek ku wan ji dengan cuda dike. Bi yekem analîzkirina daneyên wêneyê li gorî strukturên wêneya herêmî, wek xet an xêz, û dûv re jî kontrolkirina fîlterkirina li ser bingeha agahdariya herêmî ya ji pêngava analîzê, bi gelemperî astek çêtir a rakirina deng li gorî nêzîkatiyên hêsan tê bidestxistin. Di vî warî de mînakek wênesaziya wan e. Hin pergal serîlêdanên serbixwe ne ku pirsgirêkek pîvandin an tespîtek taybetî çareser dikin, hinên din pergalek sêwiranek mezintir pêk tînin ku, mînakî, di heman demê de jêr-pergalên ji bo kontrolkirina çalakkerên mekanîkî, plansazkirin, databasên agahdariyê, mirov- pêvekên makîneyê, hwd. Pêkanîna taybetî ya pergala dîtina komputerê jî bi wê yekê ve girêdayî ye ku fonksiyona wê ji berê ve hatî destnîşan kirin an jî beşek jê dikare di dema xebitandinê de fêr bibe an were guheztin. Lêbelê, fonksiyonên tîpîk hene ku di gelek pergalên dîtina komputerê de têne dîtin.

 

Fêrbûna kûr bi naskirina wêneyê

Naskirina wêneyê li dora berî AI-ê bû. Lêbelê, faktora fêrbûna makîneyê ji bo naskirina tiştek an rûyê kesek rêgezên şoreşgerî dike. Fêrbûna makîneyê tenê gava ku daneya ku jê re tê xwarin hebe bandorker e. Ji bo hemî otomasyona AI-ê, peywirkirina wê ji bo naskirina wêneyan ne daxwazek hêsan e. Têgihîştina me ya dîtbarî cewhera duyemîn e; ew tiştek e ku em ji temenek piçûk ve bername hatine kirin. Heman pirs ji makîneyek ne pêvajoyek hêsan e. Ji ber vê yekê, yek ji celebên herî populer ên naskirina AI-ê torên neuralî yên hevgirtî (CNN) e. CNN rêbazek e ku balê dikişîne ser pixelên li kêleka hev. Wêneyên ji nêz ve bi îhtimaleke mezin ve girêdayî ne, ku tê vê wateyê ku tiştek an rûyek bi wêneyek bi zelalî ve tête hev kirin.
Dema ku marqeyên ku dixwazin ji medyaya civakî drav bikin, her çend naskirina wêneya AI-ê feydeyên zelal hildigirin, dozên karanîna wê pir kûrtir dibin. Otomobîlên xwe-ajotinê di cîhana otobusê de dê bibin tişta mezin a din, û teknolojiya naskirina wêneya AI-ê ji hêza wan re dibe alîkar. Otomobîla xwe-ajotinê ku karibe tiştan û mirovan li ser rê bibîne da ku li wan neqelibe, bixweber çê nabe. Pêdivî ye ku ew wêneyan nas bike da ku biryarên agahdar bide. Her otomobîla xwe-ajotinê bi çend senzoran ve tê dagirtin da ku ew bikaribe wesayitên din ên livîn, bisiklêtan, mirovan nas bike - bi bingehîn her tiştê ku dikare xetereyê çêbike. Otomobîlek otomatîk pêdivî ye ku xetereyên rê bi heman awayê ku ajokarek demsalî dike pêvajoyê bike. Hîn jî çend alî hene ku divê bêne hesin kirin berî ku otomobîlên xwe-ajovan di sala 2020-an de bikevin rê. Lê gava ku otomasyona wesayîtê dest pê bike, naskirina wêneya AI-ê dê yek ji ajokarên sereke be ku li pişt wan bi ewlehî dixebitin.
⦁ Wêne-wergirtin
Wêneyek dîjîtal ji hêla yek an çend senzorên wêneyê ve tê hilberandin, ku ji xeynî cûrbecûr kamerayên hestiyar ên ronahiyê, senzorên rêzê, cîhazên tomografî, radar, kamerayên ultra-sonic, hwd. Li gorî celebê senzorê, daneyên wêneyê yên encam digirin. Wêneyek 2D ya asayî, cildek 3D, an rêzek wêneyê ye. Nirxên pîxelê bi gelemperî bi tundiya ronahiyê re di yek an çend bandên spektral de (wêneyên gewr an wêneyên rengîn) re têkildar in, lê di heman demê de dikarin bi pîvandinên laşî yên cihêreng, wek kûrahî, vegirtin an veguheztina pêlên deng an elektromagnetîk, an rezonansa magnetîkî ya nukleer re têkildar bin.
⦁ Pêş-pêvajoya:
Berî ku rêbazek dîtina komputerê li ser daneya wêneyê were sepandin da ku hin agahdariya taybetî derxîne, bi gelemperî pêdivî ye ku daneyan bişopînin da ku piştrast bikin ku ew hin texmînên ku ji hêla rêbazê ve têne destnîşan kirin têr dike. Mînak in
1. Ji bo ku hûn piştrast bikin ku pergala hevrêziya wêneyê rast e ji nû ve nimûne.
2. Kêmkirina deng ji bo ku pê ewle bibe ku dengê sensor agahdariya derewîn nade.
3. Zêdekirina berevajî ji bo piştrastkirina ku agahdariya têkildar dikare were tespît kirin.
4. Nûneratiya pîvan-cihê ku di pîvanên herêmî de strukturên wêneyê zêde bike.
⦁ Derxistina taybetmendiyê:
Taybetmendiyên wêneyê di astên cihêreng ên tevliheviyê de ji daneyên wêneyê têne derxistin. Mînakên tîpîk ên van taybetmendiyan xêz, qerax û xêz in
Xalên berjewendiya herêmî yên wekî quncik, kulîlk an xal. Dibe ku taybetmendiyên tevlihevtir bi tevn, şikil an tevgerê ve girêdayî bin.
⦁ Vedîtin / dabeşkirin:
Di hin xalên pêvajoyê de biryarek tê girtin ka kîjan xalên wêneyê an deverên wêneyê ji bo pêvajoyek din re têkildar in. Mînak in
1. Hilbijartina komek taybetî ya xalên berjewendiyê
2. Dabeşkirina yek an çend deverên wêneyê yên ku tiştek taybetî ya balkêş dihewîne.
⦁ Pêvajoya asta bilind:
Di vê gavê de têketin bi gelemperî komek daneya piçûk e, mînakî komek xal an herêmek animage ku tê texmîn kirin ku tiştek taybetî heye. Pêvajoya mayî bi, wek nimûne:
1. Verastkirin ku dane pêşnumayên model-based û serîlêdanê têr dikin.
2. Texmînkirina pîvanên taybetî yên serîlêdanê, wekî pozîsyona tiştan an mezinahiya tiştan.
3. Dabeşkirina heyberek kifşkirî di kategoriyên cihê de. Ji ber vê yekê, pêvajokirina wêneyê alîkariya AI dike ku wêneyê nas bike û li gorî nasnameya wêneyê bersivê bide.

Pêşerojek bêhempa ya wêneyan

Her ku teknolojî pêşve diçe, naskirina wêneyê dê encamên hê mezintir vegerîne. Serokê Fêrbûna Makîneyê li Lobster, Vladimir Pavlov dibêje, "Bingeha matematîkî ya ji bo naskirina tiştan ji demek dirêj ve heye, lê îmkanên teknolojîk ên karanîna algorîtmayên dîtina kompîturê di van demên dawî de xuya bûn. Jixwe, torên neuralî dihêle ku detektorên bêkêmasî çêbikin ku dikarin ji mirovan çêtir bixebitin. Xemgîniyek mezin hebûna berhevokên wêneya nîşankirî ji bo perwerdehiyê vedigire, lê di pêşerojek nêzîk de, ew ê ne pirsgirêk be. Endezyarên vîzyonê yên kompîturê bi awayekî aktîf li ser algorîtmayên xwe-hînbûnê dixebitin." Li gel pêşerojek ku ew qas giran ji ragihandina dîtbarî bandor dibe, naskirina wêneyê dê bibe faktora sereke li pişt gelek wêneyên ku em dibînin. Hem di jiyana rast de û hem jî li ser înternetê.