Mengapa pengecaman imej penting?

Kira-kira 80 peratus kandungan di internet adalah visual. Anda sudah boleh mula memikirkan sebab penandaan imej mungkin memegang tempatnya sebagai raja bagi jadual kandungan. Sama ada individu atau syarikat, pengecaman imej AI telah membolehkan untuk mengenal pasti visual dalam talian dengan sedikit kekecohan. Terdapat kira-kira 657 bilion gambar disiarkan setiap tahun secara digital, dengan majoriti dipaparkan di media sosial. Sebahagian besar daripada imej tersebut ialah orang yang mempromosikan produk, walaupun mereka melakukannya tanpa disedari. Kandungan jana pengguna (UGC) dalam bentuk yang paling tulen adalah pemboleh yang sangat baik untuk jenama kerana ia menyediakan jenis promosi terbaik.
Terdapat alat pemasaran untuk memaklumkan syarikat apabila terdapat sebutan pengguna di media sosial, tetapi bagaimana pula apabila promosi jenama berlaku tanpa sesiapa menanda nama mereka dalam siaran sosial? Di sinilah pengecaman imej AI membuktikan nilainya. Jika teknologi diberi set data yang betul, AI boleh mengenal pasti imej tanpa sebutan teg tertentu. Hasilnya sangat berharga untuk jenama menjejak dan mengesan sebutan sosial mereka.

Bagaimanakah pengecaman imej berfungsi?

Seperti yang kita tahu AI boleh mencari platform media sosial mencari foto dan membandingkannya dengan set data yang luas. Ia kemudian memutuskan imej yang relevan yang sepadan pada kadar yang lebih pantas daripada yang manusia mampu. Jenama menggunakan pengecaman imej untuk mencari kandungan yang serupa dengan mereka sendiri di media sosial. Ini bermakna mengenal pasti logo jenama atau mengiktiraf penempatan produk yang diletakkan secara organik di kalangan pengguna media sosial. Meminta manusia menjejaki begitu banyak maklumat dengan mudah menjadi memenatkan. AI tidak bimbang tentang kesilapan manusia, dan mengembalikan hasil yang tepat pada tahap yang tiada tandingan. Pengecaman imej AI memantau apa yang orang katakan tentang jenama tanpa memerlukan teks. Jenama yang dapat menjejaki sebutan sosial mereka tanpa pengguna perlu menaip nama syarikat akan mendapati diri mereka berada dalam kedudukan yang menguntungkan. Potensi untuk memanfaatkan liputan dalam talian mereka sendiri hanya melalui pengecam yang diiktiraf AI adalah besar dan menawarkan liputan yang tiada tandingannya.

Berikut ialah beberapa tugas biasa pengecaman imej:-

Pada mulanya kita perlu menentukan sama ada data imej mengandungi beberapa objek, ciri atau aktiviti tertentu atau tidak. Tugas ini biasanya boleh diselesaikan dengan mantap dan tanpa usaha oleh manusia, tetapi masih tidak diselesaikan dengan memuaskan dalam penglihatan komputer untuk kes umum: objek sewenang-wenang dalam situasi sewenang-wenangnya. Kaedah sedia ada untuk menangani masalah ini boleh diselesaikan dengan terbaik hanya untuk objek tertentu, seperti objek geometri mudah (cth, polyhedra), muka manusia, aksara bercetak atau tulisan tangan, atau kenderaan, dan dalam situasi tertentu, biasanya diterangkan dalam istilah. pencahayaan yang jelas, latar belakang dan pose objek berbanding kamera. Pelbagai jenis masalah pengecaman diterangkan dalam kesusasteraan:

• Pengecaman objek

Satu atau beberapa objek yang telah ditentukan atau dipelajari atau kelas objek boleh dikenali, biasanya bersama-sama dengan kedudukan 2D mereka dalam imej atau pose 3D di tempat kejadian.

• Pengenalan
Contoh individu objek dikenali. Contohnya ialah pengenalan muka atau cap jari orang tertentu, atau pengenalan kenderaan tertentu.

• Pengesanan
Data imej diimbas untuk keadaan tertentu. Contohnya adalah pengesanan kemungkinan sel atau tisu yang tidak normal dalam imej perubatan atau pengesanan kenderaan dalam sistem tol jalan automatik. Pengesanan berdasarkan pengiraan yang agak mudah dan pantas kadangkala digunakan untuk mencari kawasan yang lebih kecil bagi data imej yang menarik yang boleh dianalisis selanjutnya dengan teknik yang lebih menuntut secara pengiraan untuk menghasilkan tafsiran yang betul.

Beberapa tugas khusus berdasarkan pengiktirafan wujud, seperti:

• Pengambilan semula imej berasaskan kandungan
Di sini mencari semua imej dalam set imej yang lebih besar yang mempunyai kandungan tertentu. Kandungan boleh ditentukan dalam cara yang berbeza, contohnya dari segi persamaan relatif imej sasaran (berikan saya semua imej yang serupa dengan imej X), atau dari segi kriteria carian peringkat tinggi yang diberikan sebagai input teks (berikan saya semua imej yang mengandungi banyak rumah, diambil semasa musim sejuk, dan tidak mempunyai kereta di dalamnya).

• Anggaran pose
kita perlu menganggarkan kedudukan atau orientasi objek tertentu berbanding kamera. Contoh aplikasi untuk teknik ini ialah membantu robot mengambil objek dari tali pinggang penghantar dalam situasi barisan pemasangan.

• Pengecaman aksara optik
OCR yang mengenal pasti aksara dalam imej teks bercetak atau tulisan tangan, biasanya dengan tujuan untuk mengekod teks dalam format yang lebih dan membolehkan untuk mengedit atau mengindeks Jabatan Sains Komputer dan Kejuruteraan, Michigan State University. “Fakulti Makmal Pengecaman Pola dan Pemprosesan Imej (PRIP) dan pelajar menyiasat penggunaan mesin untuk mengecam corak atau objek. Kaedah dibangunkan untuk mengesan objek, untuk mengetahui ciri-ciri mereka yang membezakannya daripada yang lain, dan untuk mereka bentuk algoritma yang boleh digunakan oleh mesin untuk melakukan pengelasan. Aplikasi penting termasuk pengecaman muka, pengenalan cap jari, analisis imej dokumen, pembinaan model objek 3D, navigasi robot dan visualisasi/penerokaan data volumetrik 3D. Masalah penyelidikan semasa termasuk pengesahan biometrik, pengawasan dan penjejakan automatik, HCI tanpa kendali, pemodelan muka, penanda air digital dan menganalisis struktur dokumen dalam talian. Graduan makmal baru-baru ini telah mengusahakan pengecaman tulisan tangan, pengesahan tandatangan, pembelajaran visual dan mendapatkan semula imej."

⦁ Pengecaman Muka
kita tahu bahawa sistem pengecaman muka semakin popular sebagai cara mengekstrak maklumat biometrik. Pengecaman muka mempunyai peranan penting dalam sistem biometrik dan menarik untuk pelbagai aplikasi termasuk pengawasan visual dan keselamatan. Oleh kerana penerimaan umum terhadap imej muka pada pelbagai dokumen, pengecaman muka mempunyai potensi besar untuk menjadi teknologi biometrik pilihan generasi akan datang.

Sistem Pengecaman Imej

⦁ Analisis pergerakan
Beberapa tugas berkaitan dengan anggaran gerakan di mana jujukan imej diproses untuk menghasilkan anggaran halaju sama ada pada setiap titik dalam imej atau dalam pemandangan 3D, atau bahkan kamera yang menghasilkan imej . Contoh tugasan tersebut ialah:

⦁  Gerakan ego
Menentukan gerakan tegar 3D (putaran dan terjemahan) kamera daripada jujukan imej yang dihasilkan oleh kamera.

⦁ Penjejakan
Penjejakan adalah mengikuti pergerakan (biasanya) set mata minat atau objek yang lebih kecil (cth, kenderaan atau manusia) dalam jujukan imej.

⦁ Aliran optik
Ini adalah untuk menentukan, bagi setiap titik dalam imej, bagaimana titik itu bergerak secara relatif kepada satah imej, iaitu, gerakan ketaranya. Pergerakan ini adalah hasil kedua-dua cara titik 3D yang sepadan bergerak dalam pemandangan dan cara kamera bergerak secara relatif kepada pemandangan.

⦁ Pembinaan semula tempat kejadian
Memandangkan satu atau (biasanya) lebih banyak imej adegan, atau video, pembinaan semula pemandangan bertujuan untuk mengira model 3D tempat kejadian. Dalam kes yang paling mudah, model boleh menjadi satu set mata 3D. Kaedah yang lebih canggih menghasilkan model permukaan 3D yang lengkap

⦁ Pemulihan imej
Matlamat pemulihan imej ialah penyingkiran hingar (bunyi sensor, kabur gerakan, dll.) daripada imej. Pendekatan yang paling mudah untuk penyingkiran hingar ialah pelbagai jenis penapis seperti penapis laluan rendah atau penapis median. Kaedah yang lebih canggih menganggap model bagaimana struktur imej tempatan kelihatan, model yang membezakannya daripada hingar. Dengan terlebih dahulu menganalisis data imej dari segi struktur imej tempatan, seperti garisan atau tepi, dan kemudian mengawal penapisan berdasarkan maklumat setempat daripada langkah analisis, tahap penyingkiran hingar yang lebih baik biasanya diperoleh berbanding dengan pendekatan yang lebih mudah. Contoh dalam bidang ini ialah lukisan mereka. Sesetengah sistem adalah aplikasi yang berdiri sendiri yang menyelesaikan masalah pengukuran atau pengesanan tertentu, manakala yang lain membentuk sub-sistem reka bentuk yang lebih besar yang, sebagai contoh, juga mengandungi sub-sistem untuk mengawal penggerak mekanikal, perancangan, pangkalan data maklumat, manusia- antara muka mesin, dsb. Pelaksanaan khusus sistem penglihatan komputer juga bergantung pada sama ada fungsinya telah ditetapkan terlebih dahulu atau jika sebahagian daripadanya boleh dipelajari atau diubah suai semasa operasi. Walau bagaimanapun, terdapat fungsi tipikal yang terdapat dalam banyak sistem penglihatan komputer.

 

Pembelajaran yang lebih mendalam dengan pengecaman imej

Pengecaman imej telah wujud sebelum AI. Namun faktor pembelajaran mesin merevolusikan kaedah untuk mengenal pasti objek atau wajah seseorang. Pembelajaran mesin hanya berkesan apabila terdapat data untuk menyuapnya, walau bagaimanapun. Untuk semua automasi AI, menugaskannya untuk mengenal pasti imej bukanlah permintaan yang mudah. Pemahaman kita tentang visual adalah sifat kedua; ia adalah sesuatu yang kita telah diprogramkan untuk dilakukan dari usia muda. Meminta perkara yang sama tentang mesin bukanlah proses yang mudah. Atas sebab itu, salah satu bentuk pengiktirafan AI yang lebih popular ialah rangkaian neural konvolusi (CNN). CNN ialah kaedah yang memfokuskan pada piksel yang terletak bersebelahan antara satu sama lain. Imej yang terletak berdekatan lebih berkemungkinan berkaitan, yang bermaksud objek atau wajah dipadankan dengan gambar dengan lebih ketelusan.
Walaupun jenama yang ingin mengewangkan media sosial walaupun pengiktirafan imej AI membawa faedah yang jelas, kes penggunaannya berjalan jauh lebih mendalam. Kereta pandu sendiri bakal menjadi perkara besar seterusnya dalam dunia automobil, dan teknologi pengecaman imej AI membantu menjana tenaga. Kereta pandu sendiri yang boleh mengesan objek dan orang di jalan raya supaya ia tidak merempuhnya tidak berlaku secara automatik. Ia perlu mengenali imej untuk membuat keputusan termaklum. Setiap kereta pandu sendiri dilengkapi dengan beberapa penderia supaya ia boleh mengenal pasti kenderaan lain yang bergerak, penunggang basikal, orang ramai - pada asasnya apa sahaja yang boleh mendatangkan bahaya. Kereta automatik perlu memproses bahaya jalan dengan cara yang sama seperti pemandu berpengalaman. Masih terdapat beberapa aspek yang perlu diselesaikan sebelum kereta pandu sendiri memasuki jalan raya pada tahun 2020. Tetapi apabila automasi kenderaan bermula, pengecaman imej AI akan menjadi salah satu pemacu utama di belakang mereka bekerja dengan selamat.
⦁ Pemerolehan imej
Imej digital dihasilkan oleh satu atau beberapa penderia imej, yang, selain pelbagai jenis kamera peka cahaya, termasuk penderia julat, peranti tomografi, radar, kamera ultrasonik, dsb. Bergantung pada jenis penderia, data imej yang terhasil ialah imej 2D biasa, volum 3D atau jujukan imej. Nilai piksel biasanya sepadan dengan keamatan cahaya dalam satu atau beberapa jalur spektrum (imej kelabu atau imej berwarna), tetapi juga boleh dikaitkan dengan pelbagai ukuran fizikal, seperti kedalaman, penyerapan atau pemantulan gelombang sonik atau elektromagnet, atau resonans magnetik nuklear.
⦁ Pra-pemprosesan:
Sebelum kaedah penglihatan komputer boleh digunakan pada data imej untuk mengekstrak beberapa maklumat tertentu, biasanya perlu memproses data untuk memastikan ia memenuhi andaian tertentu yang tersirat oleh kaedah tersebut. Contohnya ialah
1. Persampelan semula untuk memastikan sistem koordinat imej adalah betul.
2. Pengurangan hingar untuk memastikan bunyi sensor tidak memperkenalkan maklumat palsu.
3. Penambahbaikan kontras untuk memastikan maklumat yang berkaitan dapat dikesan.
4. Perwakilan skala-ruang untuk meningkatkan struktur imej pada skala yang sesuai tempatan.
⦁ Pengekstrakan ciri:
Ciri imej pada pelbagai tahap kerumitan diekstrak daripada data imej. Contoh biasa ciri tersebut ialah garisan, tepi dan rabung
Titik kepentingan setempat seperti sudut, gumpalan atau mata. Ciri yang lebih kompleks mungkin berkaitan dengan tekstur, bentuk atau gerakan.
⦁ Pengesanan/pembahagian:
Pada satu ketika dalam pemprosesan keputusan dibuat tentang titik imej atau kawasan imej mana yang relevan untuk pemprosesan selanjutnya. Contohnya ialah
1. Pemilihan set mata faedah tertentu
2. Pembahagian satu atau berbilang kawasan imej yang mengandungi objek minat tertentu.
⦁ Pemprosesan peringkat tinggi:
Pada langkah ini input biasanya merupakan set data yang kecil, contohnya set titik atau kawasan imej yang diandaikan mengandungi objek tertentu. Pemprosesan selebihnya berurusan dengan, sebagai contoh:
1. Pengesahan bahawa data memenuhi andaian khusus berasaskan model dan aplikasi.
2. Anggaran parameter khusus aplikasi, seperti pose objek atau saiz objek.
3. Mengelaskan objek yang dikesan ke dalam kategori yang berbeza. Jadi, pemprosesan imej membantu AI untuk mengenal pasti imej dan bertindak balas mengikut pengenalan imej.

Masa depan imejan yang lancar

Apabila teknologi bertambah baik, pengecaman imej akan mengembalikan hasil yang lebih hebat. Ketua Pembelajaran Mesin di Lobster, Vladimir Pavlov berkata, "Asas matematik untuk pengecaman objek telah wujud sejak sekian lama, tetapi kemungkinan teknologi menggunakan algoritma penglihatan komputer muncul baru-baru ini. Sudah, rangkaian saraf membolehkan membuat pengesan sempurna yang mampu berfungsi lebih baik daripada manusia. Serangan besar menahan kehadiran set data imej bertanda untuk latihan, tetapi dalam masa terdekat, ini tidak akan menjadi masalah. Jurutera penglihatan komputer sedang giat mengusahakan algoritma pembelajaran kendiri”.Dengan masa depan yang sangat dipengaruhi oleh komunikasi visual, pengecaman imej akan menjadi faktor utama di sebalik kebanyakan gambar yang kita lihat. Baik dalam kehidupan sebenar mahupun dalam talian.