छवि पहिचान किन महत्त्वपूर्ण छ?

इन्टरनेटमा लगभग 80 प्रतिशत सामग्री दृश्य हो। तपाईंले पहिले नै काम सुरु गर्न सक्नुहुन्छ किन छवि ट्यागिङले सामग्री तालिकाको राजाको रूपमा आफ्नो स्थान राख्न सक्छ। चाहे व्यक्ति होस् वा कम्पनीहरू, एआई छवि पहिचानले न्यूनतम गडबडीको साथ अनलाइन भिजुअलहरू पहिचान गर्न सम्भव बनाएको छ। त्यहाँ हरेक वर्ष लगभग 657 बिलियन तस्बिरहरू डिजिटल रूपमा पोस्ट हुन्छन्, जसमा अधिकांश सोशल मिडियामा देखा पर्दछ। ती तस्बिरहरूको एक राम्रो भाग उत्पादनहरू प्रमोट गर्ने व्यक्तिहरू हुन्, भले पनि तिनीहरूले अनजानमा त्यसो गरिरहेका छन्। प्रयोगकर्ता-उत्पन्न सामग्री (UGC) यसको शुद्ध रूपमा ब्रान्डहरूको लागि उत्कृष्ट सक्षमकर्ता हो किनभने यसले उत्कृष्ट प्रकारको पदोन्नति प्रदान गर्दछ।
त्यहाँ सामाजिक सञ्जालमा उपभोक्ता उल्लेख हुँदा कम्पनीहरूलाई सचेत गराउन मार्केटिङ उपकरणहरू छन्, तर सामाजिक पोस्टमा उनीहरूको नाम ट्याग नगरी ब्रान्डहरू प्रमोशनहरू हुँदा के हुन्छ? यहाँ AI छवि पहिचानले यसको मूल्य प्रमाणित गर्दछ। यदि प्राविधिकलाई सही डेटासेटहरू खुवाइएको छ भने, एआईले विशेष ट्याग उल्लेख नगरी छवि पहिचान गर्न सक्छ। परिणामहरू ब्रान्डहरूको लागि उनीहरूको सामाजिक उल्लेखहरू ट्र्याक गर्न र ट्रेस गर्न अमूल्य छन्।

छवि पहिचानले कसरी काम गर्छ?

हामीलाई थाहा छ AI ले तस्बिरहरू खोज्दै सोशल मिडिया प्लेटफर्महरू खोज्न सक्छ र तिनीहरूलाई विस्तृत डेटा सेटहरूसँग तुलना गर्न सक्छ। त्यसपछि यसले सान्दर्भिक छविमा निर्णय गर्छ जुन मानिसले गर्न सक्ने क्षमताभन्दा धेरै छिटो मिल्छ। ब्रान्डहरूले सामाजिक सञ्जालमा आफ्नै जस्तै सामग्री फेला पार्न छवि पहिचान प्रयोग गर्छन्। यसको मतलब ब्रान्डको लोगो पहिचान गर्नु वा सामाजिक मिडिया प्रयोगकर्ताहरू बीच जैविक रूपमा राखिएको उत्पादन प्लेसमेन्ट पहिचान गर्नु हो। मानिसहरूलाई यति धेरै जानकारीको माध्यमबाट ट्रोल गर्न सोध्दा सजिलै थकित हुन्छ। AI ले मानव त्रुटिको बारेमा चिन्ता गर्दैन, र अतुलनीय स्तरहरूमा सटीक परिणामहरू फर्काउँछ। एआई छवि पहिचानले पाठको आवश्यकता बिना मानिसहरूले ब्रान्डको बारेमा के भनिरहेका छन् भनेर निगरानी गर्दछ। प्रयोगकर्ताहरूले कम्पनीको नाम टाइप नगरी आफ्नो सामाजिक उल्लेखहरू ट्र्याक गर्न सक्षम ब्रान्डहरूले आफूलाई फाइदाजनक स्थितिमा भेट्टाउनेछन्। AI मान्यता प्राप्त पहिचानकर्ताहरू मार्फत मात्र तिनीहरूको आफ्नै अनलाइन कभरेजमा ट्याप गर्ने क्षमता ठूलो छ र अतुलनीय कभरेज प्रदान गर्दछ।

यहाँ छवि पहिचान को केहि विशिष्ट कार्यहरु छन्: -

सुरुमा हामीले छवि डेटामा केही विशिष्ट वस्तु, सुविधा, वा गतिविधि समावेश छ वा छैन भनेर निर्धारण गर्नुपर्छ। यो कार्य सामान्यतया बलियो र एक मानव द्वारा प्रयास बिना हल गर्न सकिन्छ, तर अझै पनि सामान्य मामला को लागी कम्प्यूटर दृष्टि मा सन्तोषजनक समाधान छैन: मनमानी परिस्थितिहरु मा मनमानी वस्तुहरु। यस समस्याको समाधानका लागि विद्यमान विधिहरू विशेष वस्तुहरू जस्तै साधारण ज्यामितीय वस्तुहरू (जस्तै, पोलिहेड्रा), मानव अनुहारहरू, मुद्रित वा हातले लेखिएका क्यारेक्टरहरू, वा सवारी साधनहरू, र विशेष परिस्थितिहरूमा, सामान्यतया सर्तहरूमा वर्णन गरिएका विशेष वस्तुहरूको लागि मात्र उत्तम समाधान गर्न सकिन्छ। राम्रोसँग परिभाषित रोशनी, पृष्ठभूमि, र क्यामेरा सापेक्ष वस्तुको मुद्रा। मान्यता समस्या को विभिन्न प्रकार को साहित्य मा वर्णन गरिएको छ:

• वस्तु पहिचान

एक वा धेरै पूर्व-निर्दिष्ट वा सिकेका वस्तुहरू वा वस्तु वर्गहरू पहिचान गर्न सकिन्छ, सामान्यतया छविमा तिनीहरूको 2D स्थिति वा दृश्यमा 3D पोजहरू।

• परिचय
वस्तुको व्यक्तिगत उदाहरण पहिचान गरिएको छ। उदाहरणहरू एक विशिष्ट व्यक्तिको अनुहार वा फिंगरप्रिन्टको पहिचान, वा विशेष सवारी साधनको पहिचान हुन्।

• पत्ता लगाउने
छवि डेटा एक विशेष अवस्थाको लागि स्क्यान गरिएको छ। उदाहरणहरू मेडिकल तस्बिरहरूमा सम्भावित असामान्य कोशिकाहरू वा तन्तुहरूको पत्ता लगाउन वा स्वचालित सडक टोल प्रणालीमा सवारी साधनको पत्ता लगाउने हुन्। तुलनात्मक रूपमा सरल र छिटो गणनाहरूमा आधारित पत्ता लगाउन कहिलेकाहीँ रोचक छवि डेटाको साना क्षेत्रहरू फेला पार्न प्रयोग गरिन्छ जुन सही व्याख्या उत्पादन गर्न थप कम्प्यूटेशनली माग गर्ने प्रविधिहरूद्वारा थप विश्लेषण गर्न सकिन्छ।

मान्यतामा आधारित धेरै विशेष कार्यहरू अवस्थित छन्, जस्तै:

• सामग्री-आधारित छवि पुन: प्राप्ति
यहाँ तस्बिरहरूको ठूलो सेटमा सबै छविहरू फेला पार्नुहोस् जसमा एक विशिष्ट सामग्री छ। सामग्री विभिन्न तरिकामा निर्दिष्ट गर्न सकिन्छ, उदाहरणका लागि समानता सापेक्ष लक्ष्य छवि (मलाई छवि X जस्तै सबै छविहरू दिनुहोस्), वा पाठ इनपुटको रूपमा दिइएको उच्च-स्तर खोज मापदण्डको सन्दर्भमा (मलाई सबै छविहरू दिनुहोस् जसमा समावेश छ। धेरै घरहरू, जाडोको समयमा लिइन्छ, र तिनीहरूमा कुनै कार छैन)।

• मुद्रा अनुमान
हामीले क्यामेराको सापेक्ष कुनै विशेष वस्तुको स्थिति वा अभिमुखीकरण अनुमान गर्नुपर्दछ। यस प्रविधिको लागि एउटा उदाहरण अनुप्रयोगले रोबोटलाई कन्भेयर बेल्टबाट वस्तुहरू पुन: प्राप्ति गर्न एक एसेम्बली लाइन स्थितिमा मद्दत गर्नेछ।

• अप्टिकल क्यारेक्टर पहिचान
OCR जसले मुद्रित वा हातले लिखित पाठको छविहरूमा क्यारेक्टरहरू पहिचान गर्दैछ, सामान्यतया पाठलाई ढाँचामा सङ्केतन गर्न र कम्प्युटर विज्ञान र इन्जिनियरिङ विभाग, मिशिगन स्टेट युनिभर्सिटीको सम्पादन वा अनुक्रमणिकालाई सक्षम पार्नको लागि। ढाँचा पहिचान र छवि प्रशोधन (PRIP) ल्याब संकाय र विद्यार्थीहरूले ढाँचा वा वस्तुहरू पहिचान गर्न मेसिनहरूको प्रयोगको अनुसन्धान गर्छन्। विधिहरू वस्तुहरू बुझाउन, तिनीहरूका कुन विशेषताहरूले तिनीहरूलाई अरूबाट अलग गर्छ भनेर पत्ता लगाउन, र वर्गीकरण गर्न मेसिनद्वारा प्रयोग गर्न सकिने एल्गोरिदमहरू डिजाइन गर्नका लागि विकास गरिन्छ। महत्त्वपूर्ण अनुप्रयोगहरूमा अनुहार पहिचान, फिंगरप्रिन्ट पहिचान, कागजात छवि विश्लेषण, 3D वस्तु मोडेल निर्माण, रोबोट नेभिगेसन, र 3D भोल्युमेट्रिक डेटाको दृश्य/अन्वेषण समावेश छ। हालको अनुसन्धान समस्याहरूमा बायोमेट्रिक प्रमाणीकरण, स्वचालित निगरानी र ट्र्याकिङ, ह्यान्डलेस HCI, फेस मोडेलिङ, डिजिटल वाटरमार्किङ र अनलाइन कागजातहरूको संरचनाको विश्लेषण समावेश छ। प्रयोगशालाका भर्खरका स्नातकहरूले हस्तलेखन पहिचान, हस्ताक्षर प्रमाणीकरण, दृश्य शिक्षा, र छवि पुन: प्राप्तिमा काम गरेका छन्।

⦁ अनुहार पहिचान
हामीलाई थाहा छ अनुहार पहिचान प्रणाली बायोमेट्रिक जानकारी निकाल्ने माध्यमको रूपमा क्रमशः लोकप्रिय हुँदै गइरहेको छ। बायोमेट्रिक प्रणालीहरूमा अनुहार पहिचानको महत्त्वपूर्ण भूमिका छ र भिजुअल निगरानी र सुरक्षा सहित धेरै अनुप्रयोगहरूको लागि आकर्षक छ। विभिन्न कागजातहरूमा अनुहार छविहरूको आम जनताको स्वीकृतिको कारणले, अनुहार पहिचानले छनौटको अर्को पुस्ताको बायोमेट्रिक प्रविधि बन्ने ठूलो सम्भावना छ।

छवि पहिचान प्रणाली

⦁ गति विश्लेषण
धेरै कार्यहरू गति अनुमानसँग सम्बन्धित छन् जहाँ छविको प्रत्येक बिन्दुमा वा 3D दृश्यमा, वा छविहरू उत्पादन गर्ने क्यामेराको पनि वेगको अनुमान उत्पादन गर्न छवि अनुक्रम प्रशोधन गरिन्छ। त्यस्ता कार्यहरूको उदाहरणहरू हुन्:

⦁  अहंकार गति
क्यामेराद्वारा उत्पादित छवि अनुक्रमबाट क्यामेराको 3D कठोर गति (रोटेशन र अनुवाद) निर्धारण गर्दै।

⦁ ट्र्याकिङ
ट्र्याकिङ भनेको छवि अनुक्रममा (सामान्यतया) रुचि बिन्दुहरू वा वस्तुहरूको (जस्तै, सवारी साधन वा मानव) को चालहरू पछ्याउनु हो।

⦁ अप्टिकल प्रवाह
यो निर्धारण गर्न को लागी, छवि को प्रत्येक बिन्दु को लागी, त्यो बिन्दु छवि समतल सापेक्ष कसरी चलिरहेको छ, अर्थात्, यसको स्पष्ट गति। यो गति दृश्यमा कसरी सम्बन्धित थ्रीडी पोइन्ट चलिरहेको छ र दृश्यको सापेक्ष क्यामेरा कसरी चलिरहेको छ भन्ने दुवैको परिणाम हो।

⦁ दृश्य पुनर्निर्माण
दृश्यको एक वा (सामान्यतया) थप छविहरू, वा भिडियो दिएमा, दृश्य पुनर्निर्माणको उद्देश्य दृश्यको 3D मोडेल कम्प्युट गर्ने हो। सरल अवस्थामा मोडेल 3D बिन्दुहरूको सेट हुन सक्छ। थप परिष्कृत विधिहरूले पूर्ण 3D सतह मोडेल उत्पादन गर्दछ

⦁ छवि पुनर्स्थापना
छवि पुनर्स्थापनाको उद्देश्य छविहरूबाट शोर (सेन्सर आवाज, गति ब्लर, आदि) हटाउनु हो। शोर हटाउनको लागि सबैभन्दा सरल सम्भव दृष्टिकोण विभिन्न प्रकारका फिल्टरहरू जस्तै कम-पास फिल्टरहरू वा मध्य फिल्टरहरू हुन्। थप परिष्कृत विधिहरूले स्थानीय छवि संरचनाहरू कस्तो देखिन्छ भन्ने मोडेललाई मान्छन्, एउटा मोडेल जसले तिनीहरूलाई आवाजबाट अलग गर्छ। पहिले तस्बिर डेटाको स्थानीय छवि संरचनाहरूको सन्दर्भमा विश्लेषण गरेर, जस्तै रेखाहरू वा किनारहरू, र त्यसपछि विश्लेषण चरणबाट स्थानीय जानकारीको आधारमा फिल्टरिङलाई नियन्त्रण गरेर, साधारण दृष्टिकोणहरूको तुलनामा सामान्यतया आवाज हटाउने राम्रो स्तर प्राप्त गरिन्छ। यस क्षेत्रमा एउटा उदाहरण उनीहरूको चित्रकला हो। केही प्रणालीहरू स्ट्यान्ड-अलोन अनुप्रयोगहरू हुन् जसले विशिष्ट मापन वा पत्ता लगाउने समस्या समाधान गर्दछ, जबकि अरूले ठूलो डिजाइनको उप-प्रणाली गठन गर्दछ जसमा, उदाहरणका लागि, मेकानिकल एक्चुएटरहरू, योजना, सूचना डाटाबेसहरू, मानव- मेशिन इन्टरफेसहरू, इत्यादि। कम्प्युटर भिजन प्रणालीको विशिष्ट कार्यान्वयनले यसको कार्यक्षमता पूर्व-निर्दिष्ट छ वा सञ्चालनको क्रममा यसको केही अंश सिक्न वा परिमार्जन गर्न सकिन्छ भने पनि निर्भर गर्दछ। यद्यपि, त्यहाँ सामान्य प्रकार्यहरू छन् जुन धेरै कम्प्युटर दृष्टि प्रणालीहरूमा पाइन्छ।

 

छवि पहिचान संग गहिरो शिक्षा

छवि पहिचान AI भन्दा पहिले थियो। तैपनि मेसिन लर्निङ फ्याक्टरले कुनै वस्तु वा व्यक्तिको अनुहार पहिचान गर्ने तरिकालाई क्रान्तिकारी बनाइरहेको छ। मेसिन लर्निङ मात्र प्रभावकारी हुन्छ जब त्यहाँ यसलाई फिड गर्न डेटा हुन्छ। AI को सबै स्वचालनका लागि, यसलाई छविहरू पहिचान गर्न टास्क गर्नु साधारण अनुरोध होइन। दृश्यहरूको हाम्रो बुझाइ दोस्रो प्रकृति हो; यो हामी सानै उमेर देखि गर्न को लागी प्रोग्राम गरिएको छ। मेसिनको समान सोध्नु सीधा प्रक्रिया होइन। त्यस कारणका लागि, एआई पहिचानको सबैभन्दा लोकप्रिय रूपहरू मध्ये एक कन्भोलुसनल न्यूरल नेटवर्कहरू (CNN) हो। CNN एक विधि हो जुन एक अर्काको छेउमा अवस्थित पिक्सेलहरूमा केन्द्रित हुन्छ। नजिकबाट अवस्थित छविहरू सम्बन्धित हुने सम्भावना बढी हुन्छ, जसको अर्थ कुनै वस्तु वा अनुहार अधिक पारदर्शिताको साथ तस्वीरसँग मेल खान्छ।
ब्रान्डहरूले सामाजिक सञ्जाललाई मुद्रीकरण गर्न खोज्दा एआई छवि पहिचानले स्पष्ट फाइदाहरू लिन्छ, यसको प्रयोगका केसहरू धेरै गहिरो हुन्छन्। सेल्फ-ड्राइभिङ कारहरू अटोमोबाइल संसारमा अर्को ठूलो कुरा हुन लागेका छन्, र AI छवि पहिचान प्रविधिले तिनीहरूलाई शक्ति दिन मद्दत गरिरहेको छ। एक सेल्फ-ड्राइभिङ कार जसले सडकमा वस्तुहरू र मान्छेहरू पत्ता लगाउन सक्छ ताकि यो तिनीहरूमा दुर्घटना नहोस् स्वचालित रूपमा हुँदैन। सूचित निर्णयहरू गर्न छविहरू पहिचान गर्न आवश्यक छ। प्रत्येक सेल्फ-ड्राइभिङ कारमा धेरै सेन्सरहरू जडान गरिएको हुन्छ जसले गर्दा यसले अन्य चल्ने सवारी साधन, साइकल चालक, मानिसहरू - मूलतया खतरा हुन सक्ने कुनै पनि कुरा पहिचान गर्न सक्छ। एक स्वचालित कारले एक अनुभवी चालकले जस्तै सडकको खतराहरू प्रशोधन गर्न आवश्यक छ। 2020 मा सेल्फ ड्राइभिङ कारहरू सडकमा आउनु भन्दा पहिले इस्त्री गर्न अझै केही पक्षहरू छन्। तर जब सवारी स्वचालन किक-इन हुन्छ, AI छवि पहिचान तिनीहरूको पछाडि सुरक्षित रूपमा काम गर्ने प्रमुख चालकहरू मध्ये एक हुनेछ।
⦁ छवि अधिग्रहण
डिजिटल छवि एक वा धेरै छवि सेन्सरहरू द्वारा उत्पादन गरिन्छ, जसमा विभिन्न प्रकारका प्रकाश-संवेदनशील क्यामेराहरू बाहेक, दायरा सेन्सरहरू, टोमोग्राफी उपकरणहरू, राडार, अल्ट्रा-सोनिक क्यामेराहरू, इत्यादि समावेश हुन्छन्। सेन्सरको प्रकारमा निर्भर गर्दछ, परिणामस्वरूप छवि डेटा। एक साधारण 2D छवि, 3D भोल्युम, वा छवि अनुक्रम हो। पिक्सेल मानहरू सामान्यतया एक वा धेरै स्पेक्ट्रल ब्यान्डहरू (खैरो छविहरू वा रङ छविहरू) मा प्रकाश तीव्रतासँग मेल खान्छ, तर विभिन्न भौतिक उपायहरूसँग पनि सम्बन्धित हुन सक्छ, जस्तै ध्वनि वा विद्युत चुम्बकीय तरंगहरूको गहिराइ, अवशोषण वा प्रतिबिम्ब, वा आणविक चुम्बकीय अनुनाद।
⦁ पूर्व प्रशोधन:
जानकारीको केही विशेष टुक्रा निकाल्नको लागि छवि डेटामा कम्प्युटर भिजन विधि लागू गर्नु अघि, यो विधिद्वारा निहित निश्चित धारणाहरूलाई सन्तुष्ट पार्नको लागि सामान्यतया डाटालाई प्रशोधन गर्न आवश्यक हुन्छ। उदाहरणहरू हुन्
1. छवि समन्वय प्रणाली सही छ भनेर सुनिश्चित गर्न पुन: नमूना।
2. सेन्सर शोरले गलत जानकारी प्रस्तुत गर्दैन भनेर सुनिश्चित गर्न आवाज घटाउने।
3. सान्दर्भिक जानकारी पत्ता लगाउन सकिन्छ भनेर सुनिश्चित गर्न कन्ट्रास्ट वृद्धि।
4. स्थानीय रूपमा उपयुक्त स्केलहरूमा छवि संरचनाहरू बढाउन स्केल-स्पेस प्रतिनिधित्व।
⦁ सुविधा निकासी:
जटिलताका विभिन्न स्तरहरूमा छवि सुविधाहरू छवि डेटाबाट निकालिन्छन्। त्यस्ता सुविधाहरूको विशिष्ट उदाहरणहरू रेखाहरू, किनारहरू र रिजहरू हुन्
स्थानीयकृत चासो बिन्दुहरू जस्तै कुना, ब्लब वा बिन्दुहरू। थप जटिल सुविधाहरू बनावट, आकार वा गतिसँग सम्बन्धित हुन सक्छन्।
⦁ पत्ता लगाउने/विभाजन:
प्रक्रियाको केही बिन्दुमा कुन छवि बिन्दुहरू वा छविका क्षेत्रहरू थप प्रशोधनका लागि सान्दर्भिक छन् भन्ने बारे निर्णय गरिन्छ। उदाहरणहरू हुन्
1. रुचि बिन्दुहरूको एक निश्चित सेट को चयन
2. एक वा धेरै छवि क्षेत्रहरूको विभाजन जसमा रुचिको एक विशेष वस्तु समावेश छ।
⦁ उच्च-स्तर प्रशोधन:
यस चरणमा इनपुट सामान्यतया डेटाको सानो सेट हो, उदाहरणका लागि बिन्दुहरूको सेट वा एनिमेज क्षेत्र जसमा एक विशेष वस्तु समावेश भएको मानिन्छ। बाँकी प्रशोधनसँग सम्झौता गर्दछ, उदाहरणका लागि:
1. डाटाले मोडेल-आधारित र अनुप्रयोग विशिष्ट धारणाहरू पूरा गर्दछ भनेर प्रमाणीकरण।
2. अनुप्रयोग विशिष्ट प्यारामिटरहरूको अनुमान, जस्तै वस्तु मुद्रा वा वस्तु आकार।
3. पत्ता लगाइएको वस्तुलाई विभिन्न वर्गहरूमा वर्गीकरण गर्दै। त्यसैले, छवि प्रशोधनले AI लाई छवि पहिचान गर्न र छवि पहिचान अनुसार प्रतिक्रिया दिन मद्दत गर्दछ।

इमेजरीको निर्बाध भविष्य

प्रविधिमा सुधार हुँदै जाँदा, छवि पहिचानले अझ ठूलो परिणामहरू फर्काउनेछ। लोबस्टरमा मेसिन लर्निङका प्रमुख भ्लादिमिर पाभलोभ भन्छन्, "वस्तु पहिचानको लागि गणितीय आधार लामो समयदेखि अवस्थित छ, तर कम्प्युटर भिजन एल्गोरिदमहरू प्रयोग गर्ने प्राविधिक सम्भावनाहरू हालै देखा पर्‍यो। पहिले नै, तंत्रिका सञ्जालहरूले सही डिटेक्टरहरू बनाउन अनुमति दिन्छ जुन मानव भन्दा राम्रो काम गर्न सक्षम छन्। एउटा ठूलो झटकाले प्रशिक्षणको लागि चिन्हित छवि डेटासेटहरूको उपस्थितिलाई रोक्छ, तर निकट भविष्यमा, यो समस्या हुनेछैन। कम्प्यूटर भिजन इन्जिनियरहरू सक्रिय रूपमा सेल्फ-लर्निङ एल्गोरिदमहरूमा काम गरिरहेका छन्। "भविष्यमा भिजुअल कम्युनिकेसनले धेरै प्रभाव पारेको छ, हामीले देख्ने धेरै तस्विरहरू पछाडि छवि पहिचान मुख्य कारक हुन गइरहेको छ। वास्तविक जीवन र अनलाइन दुवै मा।