تصوير جي سڃاڻپ ڇو ضروري آهي؟
انٽرنيٽ تي 80 سيڪڙو مواد بصري آهي. توھان اڳ ۾ ئي ڪم ڪرڻ شروع ڪري سگھو ٿا ڇو تصويري ٽيگنگ پنھنجي جاءِ رکي سگھي ٿي مواد جي ٽيبل جي بادشاھت. چاهي اهو فرد هجي يا ڪمپنيون، AI تصوير جي سڃاڻپ ان کي ممڪن بڻائي ڇڏيو آهي ته آن لائن بصري کي گهٽ ۾ گهٽ فضيلت سان سڃاڻڻ. اتي تقريبن 657 بلين تصويرون هر سال ڊجيٽل طور تي پوسٽ ڪيون ويون آهن، اڪثريت سوشل ميڊيا تي ظاهر ٿيڻ سان. انهن تصويرن جو هڪ سٺو حصو ماڻهو آهن جيڪي پروڊڪٽس کي فروغ ڏين ٿا، جيتوڻيڪ اهي ائين ڪري رهيا آهن اڻڄاڻ طور تي. يوزر جي ٺاهيل مواد (UGC) ان جي خالص شڪل ۾ برانڊز لاءِ هڪ بهترين اينبلر آهي جيئن ته اها بهترين قسم جي پروموشن فراهم ڪري ٿي.
جڏهن سوشل ميڊيا تي صارفين جو ذڪر هوندو آهي ته ڪمپنين کي خبردار ڪرڻ لاءِ مارڪيٽنگ جا اوزار هوندا آهن، پر ڇا ٿيندو جڏهن برانڊز جي پروموشن ٿيندي آهي بغير ڪنهن سوشل پوسٽ ۾ پنهنجو نالو ٽيگ ڪرڻ کان؟ اهو آهي جتي AI تصوير جي سڃاڻپ ان جي قيمت ثابت ڪري ٿي. جيڪڏهن ٽيڪچ صحيح ڊيٽا سيٽن کي کارايو وڃي، AI مخصوص ٽيگ جي ذڪر کان سواءِ تصوير جي سڃاڻپ ڪري سگهي ٿي. نتيجا انمول آهن برانڊز لاءِ انهن جي سماجي ذڪرن کي ٽريڪ ڪرڻ ۽ ان جو پتو لڳائڻ.
تصوير جي سڃاڻپ ڪيئن ڪم ڪندو آهي؟
جيئن ته اسان ڄاڻون ٿا ته AI سوشل ميڊيا پليٽ فارمن کي ڳولي سگھي ٿو فوٽوز ڳولڻ ۽ انهن جي مقابلي ۾ وسيع ڊيٽا سيٽن سان. اهو پوءِ لاڳاپيل تصوير تي فيصلو ڪري ٿو جيڪا انسانن جي قابل هجڻ جي ڀيٽ ۾ تمام تيز رفتار سان ملندي آهي. برانڊ استعمال ڪن ٿا تصوير جي سڃاڻپ لاءِ مواد ڳولهڻ لاءِ انهن جي پنهنجي جهڙي سوشل ميڊيا تي. ان جو مطلب آھي ھڪڙي برانڊ جي لوگو کي سڃاڻڻ يا سماجي ميڊيا استعمال ڪندڙن جي وچ ۾ نامياتي طور تي رکيل پراڊڪٽ جي جڳھ کي سڃاڻڻ. انسانن کان پڇڻ لاءِ تمام گهڻي معلومات ذريعي آساني سان ٿڪجي ٿو وڃي. AI انساني غلطي جي باري ۾ پريشان ناهي، ۽ بي مثال سطح تي درست نتيجا ڏئي ٿو. AI تصوير جي سڃاڻپ مانيٽر ڪري ٿو ته ماڻهو متن جي ضرورت کان سواءِ برانڊ بابت ڇا چئي رهيا آهن. برانڊز انهن جي سماجي ذڪرن کي ٽريڪ ڪرڻ جي قابل آهن بغير صارفين کي ڪمپني جو نالو ٽائپ ڪرڻ جي ضرورت آهي پاڻ کي هڪ فائدي واري پوزيشن ۾ ملندو. انهن جي پنهنجي آن لائن ڪوريج ۾ ٽيپ ڪرڻ جي صلاحيت صرف AI تسليم ٿيل سڃاڻپ ڪندڙ جي ذريعي تمام وڏي آهي ۽ پيش ڪري ٿي بي مثال ڪوريج.
هتي تصوير جي سڃاڻپ جا ڪجهه عام ڪم آهن: -
پهرين تي اسان کي اهو طئي ڪرڻو پوندو ته ڇا تصوير جي ڊيٽا ۾ ڪجهه خاص اعتراض، خاصيت، يا سرگرمي شامل آهي. اهو ڪم عام طور تي انسان طرفان مضبوط ۽ بغير ڪوشش جي حل ڪري سگهجي ٿو، پر اڃا تائين ڪمپيوٽر جي نظر ۾ عام صورت ۾ اطمينان سان حل نه ڪيو ويو آهي: صوابديدي حالتن ۾ صوابديدي شيون. هن مسئلي کي حل ڪرڻ لاءِ موجوده طريقا صرف مخصوص شين لاءِ بهترين حل ڪري سگهجن ٿا، جهڙوڪ سادو جاميٽري شيون (مثال طور، پولي هيڊرا)، انساني چهرا، ڇپيل يا هٿ سان لکيل اکر، يا گاڏيون، ۽ مخصوص حالتن ۾، عام طور تي بيان ڪيل اصطلاحن ۾. چڱي طرح بيان ڪيل روشني، پس منظر، ۽ ڪئميرا جي نسبت اعتراض جي پوز. مختلف قسم جي سڃاڻپ جي مسئلي کي ادب ۾ بيان ڪيو ويو آهي:
• اعتراض جي سڃاڻپ
ھڪڙي يا گھڻن اڳئين بيان ڪيل يا سکيل شيون يا اعتراض جا طبقا سڃاتل آھن، عام طور تي تصوير ۾ انھن جي 2D پوزيشن سان گڏ يا منظر ۾ 3D پوزيشن سان.
• سڃاڻپ
هڪ اعتراض جو هڪ انفرادي مثال تسليم ڪيو ويو آهي. مثال آهن هڪ مخصوص شخص جي چهري يا فنگر پرنٽ جي سڃاڻپ، يا هڪ مخصوص گاڏي جي سڃاڻپ.
• پتو لڳائڻ
تصوير جي ڊيٽا هڪ مخصوص حالت لاء اسڪين ٿيل آهي. مثال طبي تصويرن ۾ ممڪن غير معمولي سيلز يا بافتن جو پتو لڳائڻ يا خودڪار روڊ ٽول سسٽم ۾ گاڏي جو پتو لڳائڻ. نسبتاً سادو ۽ تيز حسابن جي بنياد تي تشخيص ڪڏهن ڪڏهن دلچسپ تصويري ڊيٽا جي ننڍڙن علائقن کي ڳولڻ لاءِ استعمال ڪيو ويندو آهي، جنهن جو وڌيڪ تجزيو ڪري سگهجي ٿو وڌيڪ ڪمپيوٽيشنل گهربل ٽيڪنڪ ذريعي صحيح تشريح پيدا ڪرڻ لاءِ.
سڃاڻپ جي بنياد تي ڪيترائي خاص ڪم موجود آهن، جهڙوڪ:
• مواد جي بنياد تي تصوير ٻيهر حاصل ڪرڻ
هتي سڀني تصويرن کي تصويرن جي هڪ وڏي سيٽ ۾ ڳولي رهيا آهن جن ۾ هڪ مخصوص مواد آهي. مواد مختلف طريقن سان بيان ڪري سگهجي ٿو، مثال طور، هڪ ٽارگيٽ تصوير جي نسبت سان هڪجهڙائي جي لحاظ کان (مون کي سڀ تصويرون ڏيو تصوير X سان ملندڙ جلندڙ)، يا اعلي سطحي ڳولا جي معيار جي لحاظ کان جيڪي ٽيڪسٽ ان پٽ طور ڏنل آهن (مون کي سڀئي تصويرون ڏيو جن ۾ شامل آهن. ڪيترائي گهر، سياري ۾ کنيا ويندا آهن، ۽ انهن ۾ ڪارون نه هونديون آهن).
• پوز جو اندازو
اسان کي ڪئميرا جي نسبت ڪنهن خاص شئي جي پوزيشن يا رخ جو اندازو لڳائڻو پوندو. هن ٽيڪنڪ لاءِ هڪ مثال ايپليڪيشن هڪ روبوٽ جي مدد ڪندي هڪ ڪنويئر بيلٽ مان شيون حاصل ڪرڻ ۾ اسيمبلي لائن جي صورتحال ۾.
• بصري ڪردار جي سڃاڻپ
او سي سي جيڪو ڇپيل يا هٿ سان لکيل متن جي تصويرن ۾ ڪردارن جي نشاندهي ڪري رهيو آهي، عام طور تي هڪ نظر سان متن کي وڌيڪ انڪوڊ ڪرڻ جي صورت ۾ ۽ ڪمپيوٽر سائنس ۽ انجنيئرنگ ڊپارٽمينٽ، مشي گن اسٽيٽ يونيورسٽي، ايڊيٽنگ يا انڊيڪس ڪرڻ جي قابل بڻائي ٿو. ”پيرن جي سڃاڻپ ۽ تصويري پروسيسنگ (PRIP) ليب فيڪلٽي ۽ شاگرد نمونن يا شين کي سڃاڻڻ لاءِ مشينن جي استعمال جي تحقيق ڪن ٿا. شين کي سمجهڻ لاءِ طريقا ٺاهيا ويا آهن، اهو معلوم ڪرڻ لاءِ ته انهن جون ڪهڙيون خاصيتون انهن کي ٻين کان ڌار ڪن ٿيون، ۽ الگورٿمس کي ڊزائين ڪرڻ لاءِ جيڪي مشين کي درجي بندي ڪرڻ لاءِ استعمال ڪري سگهجن ٿيون. اهم ايپليڪيشنن ۾ منهن جي سڃاڻپ، فنگر پرنٽ جي سڃاڻپ، دستاويز جي تصوير جو تجزيو، 3D آبجیکٹ ماڊل جي تعمير، روبوٽ نيويگيشن، ۽ 3D حجماتي ڊيٽا جي بصري/تجزيو شامل آهن. موجوده تحقيق جي مسئلن ۾ شامل آهن بايوميٽرڪ تصديق، خودڪار نگراني ۽ ٽريڪنگ، هينڊليس HCI، منهن ماڊلنگ، ڊجيٽل واٽر مارڪنگ ۽ آن لائن دستاويزن جي جوڙجڪ جو تجزيو. ليبارٽري جي تازي گريجوئيشن هٿ سان لکڻ جي سڃاڻپ، دستخط جي تصديق، بصري سکيا، ۽ تصوير جي بحالي تي ڪم ڪيو آهي.
⦁ منهن جي سڃاڻپ
اسان ڄاڻون ٿا ته منهن جي سڃاڻپ وارو نظام بايوميٽرڪ معلومات ڪڍڻ جي وسيلا طور مشهور ٿي رهيو آهي. بايوميٽرڪ سسٽم ۾ منهن جي سڃاڻپ جو هڪ اهم ڪردار آهي ۽ ڪيترن ئي ايپليڪيشنن لاءِ پرڪشش آهي جنهن ۾ بصري نگراني ۽ سيڪيورٽي شامل آهن. مختلف دستاويزن تي منهن جي تصويرن جي عام عوام جي قبوليت جي ڪري، منهن جي سڃاڻپ ۾ ايندڙ نسل جي بايوميٽرڪ ٽيڪنالاجي جي چونڊ ٿيڻ جي وڏي صلاحيت آهي.
تصوير جي سڃاڻپ سسٽم
⦁ حرڪت جو تجزيو
ڪيترن ئي ڪمن جو تعلق حرڪت جي تخميني سان آهي جتي هڪ تصوير جي ترتيب تي عمل ڪيو ويندو آهي رفتار جو اندازو لڳائڻ لاءِ يا ته تصوير جي هر نقطي تي يا 3D منظر ۾، يا ڪئميرا جي به جيڪا تصوير ٺاهي ٿي. اهڙن ڪمن جا مثال آهن:
⦁ انا جي حرڪت
ڪئميرا پاران تيار ڪيل تصوير جي ترتيب مان ڪيمرا جي 3D سخت حرڪت (گردش ۽ ترجمو) کي طئي ڪرڻ.
⦁ ٽريڪنگ
ٽريڪنگ تصوير جي تسلسل ۾ دلچسپي جي پوائنٽن يا شين جي (مثال طور، گاڏين يا انسانن) جي ننڍي سيٽ (عام طور تي) جي تحريڪن جي پٺيان آهي.
⦁ بصري وهڪري
اهو طئي ڪرڻو آهي ته، تصوير جي هر نقطي لاءِ، اهو نقطو تصوير جي جهاز جي نسبت ڪيئن حرڪت ڪري رهيو آهي، يعني ان جي ظاهري حرڪت. هي حرڪت ٻنهي جو نتيجو آهي ته ڪيئن لاڳاپيل 3D پوائنٽ منظر ۾ حرڪت ڪري رهيو آهي ۽ ڪئميرا منظر جي نسبت سان ڪيئن حرڪت ڪري رهيو آهي.
⦁ منظر جي تعمير
ڏنو ويو هڪ يا (عام طور تي) هڪ منظر جون وڌيڪ تصويرون، يا هڪ وڊيو، منظر جي بحاليءَ جو مقصد منظر جي 3D ماڊل کي گڏ ڪرڻ آهي. سادي صورت ۾ ماڊل 3D پوائنٽن جو هڪ سيٽ ٿي سگهي ٿو. وڌيڪ نفيس طريقا هڪ مڪمل 3D مٿاڇري ماڊل پيدا ڪري ٿو
⦁ تصوير جي بحالي
تصوير جي بحالي جو مقصد تصويرن مان شور (سينسر شور، موشن بلور، وغيره) کي ختم ڪرڻ آهي. شور ختم ڪرڻ لاءِ سڀ کان آسان طريقو مختلف قسم جا فلٽر آھن جھڙوڪ گھٽ-پاس فلٽر يا وچين فلٽر. وڌيڪ نفيس طريقا هڪ ماڊل فرض ڪن ٿا ته مقامي تصويري جوڙجڪ ڪيئن نظر اچن ٿا، هڪ ماڊل جيڪو انهن کي شور کان ڌار ڪري ٿو. مقامي تصويري ڍانچي جي لحاظ کان پهرين تصويري ڊيٽا جو تجزيو ڪرڻ، جيئن ته لائينون يا ڪنارن، ۽ پوءِ تجزيو ڪرڻ واري مرحلي مان مقامي معلومات جي بنياد تي فلٽرنگ کي ڪنٽرول ڪرڻ سان، عام طور تي آسان طريقن جي مقابلي ۾ شور ختم ڪرڻ جي هڪ بهتر سطح حاصل ڪئي ويندي آهي. هن ميدان ۾ هڪ مثال سندن مصوري آهي. ڪجهه سسٽم اسٽينڊ اڪيلو ايپليڪيشنون آهن جيڪي هڪ مخصوص ماپ يا پتو لڳائڻ واري مسئلي کي حل ڪن ٿا، جڏهن ته ٻيا هڪ وڏي ڊيزائن جو هڪ ذيلي نظام آهي جنهن ۾، مثال طور، ميڪيڪل ايڪٽيوٽرز، پلاننگ، معلومات ڊيٽابيس، انسان جي ڪنٽرول لاء ذيلي سسٽم پڻ شامل آهن. مشين انٽرفيس وغيره. ڪمپيوٽر جي ويزن سسٽم جي مخصوص نفاذ جو دارومدار ان تي به هوندو آهي ته ان جي ڪارڪردگيءَ اڳ ۾ بيان ڪئي وئي آهي يا ان جو ڪجهه حصو آپريشن دوران سکيو يا تبديل ڪري سگهجي ٿو. تنهن هوندي به، عام ڪم آهن جيڪي ڪيترن ئي ڪمپيوٽر ويزن سسٽم ۾ مليا آهن.
تصوير جي سڃاڻپ سان گڏ وڌيڪ سکيا
تصوير جي سڃاڻپ AI کان اڳ جي چوڌاري هئي. اڃان تائين مشين لرننگ فيڪٽر ڪنهن شئي يا شخص جي چهري کي سڃاڻڻ جي طريقن ۾ انقلاب آڻي رهيو آهي. مشين لرننگ تڏهن ئي اثرائتو آهي جڏهن ان کي فيڊ ڪرڻ لاءِ ڊيٽا موجود هجي. AI جي سڀني آٽوميشن لاءِ، تصويرن کي سڃاڻڻ لاءِ ڪم ڪرڻ ڪا سادي درخواست ناهي. بصري جي اسان جي سمجھ ٻي فطرت آهي؛ اهو ڪجهه آهي جيڪو اسان کي ننڍي عمر کان ڪرڻ لاء پروگرام ڪيو ويو آهي. ساڳي مشين کان پڇڻ هڪ سادي عمل ناهي. انهي سبب لاء، AI جي سڃاڻپ جي وڌيڪ مشهور شڪلن مان هڪ آهي convolutional neural networks (CNN). سي اين اين هڪ طريقو آهي جيڪو هڪ ٻئي جي ڀرسان واقع پکسلز تي ڌيان ڏئي ٿو. ويجهڙائيءَ سان جڙيل تصويرن سان لاڳاپيل هجڻ جا وڌيڪ امڪان آهن، جنهن جو مطلب آهي هڪ شئي يا چهرو هڪ تصوير سان وڌيڪ شفافيت سان ملندو آهي.
جڏهن ته برانڊز سوشل ميڊيا کي پئسا ڏيڻ جي ڪوشش ڪري رهيا آهن جيتوڻيڪ AI تصوير جي سڃاڻپ واضح فائدن کي کڻندي آهي، ان جي استعمال جا ڪيس تمام گهڻيون آهن. خود ڊرائيونگ ڪارون آٽو موبائيل دنيا ۾ ايندڙ وڏي شيءِ ٿيڻ وارا آهن، ۽ AI تصوير جي سڃاڻپ واري ٽيڪنالاجي انهن کي طاقت ڏيڻ ۾ مدد ڪري رهي آهي. هڪ خودڪار ڊرائيونگ ڪار جيڪا رستي تي شيون ۽ ماڻهن کي ڳولي سگهي ٿي ته جيئن اهو انهن سان حادثو نه ٿئي خودڪار طريقي سان نه ٿئي. باخبر فيصلا ڪرڻ لاءِ تصويرن کي سڃاڻڻ جي ضرورت آهي. هر خود ڊرائيونگ ڪار ڪيترن ئي سينسرز سان لڳل آهي، تنهنڪري اها ٻين هلندڙ گاڏين، سائيڪل سوار، ماڻهن جي سڃاڻپ ڪري سگهي ٿي - بنيادي طور تي ڪا به شيء جيڪا خطرو ڪري سگهي ٿي. هڪ خودڪار ڪار کي روڊ جي خطرن کي پروسيس ڪرڻ جي ضرورت آهي ساڳئي طرح هڪ موسمي ڊرائيور ڪندو آهي. 2020 ۾ خود ڊرائيونگ ڪارن جي روڊن تي اچڻ کان اڳ اڃا به ڪجھه پهلو آهن جن کي آئرن ڪيو وڃي. پر جڏهن گاڏين جي خودڪار طريقي سان ڪڪ ان ٿئي ٿي، AI تصوير جي سڃاڻپ انهن جي پويان هڪ وڏو ڊرائيور هوندو جيڪو محفوظ طور تي ڪم ڪري رهيو آهي.
⦁ تصوير جي حصول
هڪ ڊجيٽل تصوير هڪ يا ڪيترن ئي تصويري سينسر ذريعي ٺاهي وئي آهي، جنهن ۾، مختلف قسم جي روشني-حساس ڪئميرا کان علاوه، رينج سينسرز، ٽوموگرافي ڊيوائسز، ريڊار، الٽرا سونڪ ڪيمرا وغيره شامل آهن. سينسر جي قسم تي منحصر آهي، نتيجو تصويري ڊيٽا. هڪ عام 2D تصوير، هڪ 3D حجم، يا تصوير جي ترتيب آهي. پکسل جون قيمتون عام طور تي هڪ يا ڪيترن ئي اسپيڪٽرل بينڊن ۾ روشني جي شدت سان ملن ٿيون (گرين تصويرون يا رنگ جون تصويرون)، پر اهو پڻ مختلف جسماني قدمن سان لاڳاپيل ٿي سگهي ٿو، جهڙوڪ سونڪ يا برقي مقناطيسي لهرن جي کوٽائي، جذب يا عڪاسي، يا ايٽمي مقناطيسي گونج.
⦁ پري پروسيسنگ:
ان کان اڳ جو ڪمپيوٽر وژن جو طريقو تصويري ڊيٽا تي لاڳو ڪري سگهجي ٿو ته جيئن معلومات جي ڪجهه مخصوص ٽڪرا کي ڪڍڻ لاءِ، عام طور تي ضروري آهي ته ڊيٽا کي پروسيس ڪرڻ لاءِ انهي ڳالهه کي يقيني بڻائڻ لاءِ ته اهو طريقي سان لاڳو ڪيل ڪجهه مفروضن کي پورو ڪري ٿو. مثال آهن
1. ٻيهر نمونو وٺڻ لاءِ يقين ڏياريو ته تصوير جي همعصر سسٽم صحيح آهي.
2. شور جي گھٽتائي يقيني بڻائڻ لاءِ ته سينسر شور غلط معلومات متعارف نه ڪرائي.
3. برعڪس واڌارو يقيني بڻائڻ لاءِ ته لاڳاپيل معلومات ڳولي سگهجي ٿي.
4. اسڪيل-اسپيس نمائندگي مقامي طور تي مناسب اسڪيل تي تصوير جي جوڙجڪ کي وڌائڻ لاء.
⦁ خصوصيت ڪڍڻ:
پيچيدگي جي مختلف سطحن تي تصويري خاصيتون تصويري ڊيٽا مان ڪڍيا ويا آهن. اهڙين خاصيتن جا عام مثال آهن لڪير، ڪنارا ۽ ريج
مقامي دلچسپي جون پوائنٽون جهڙوڪ ڪنڊن، بلب يا پوائنٽون. وڌيڪ پيچيده خاصيتون ساخت، شڪل يا حرڪت سان لاڳاپيل هجن.
⦁ ڳولها/ ورهائڻ:
پروسيسنگ ۾ ڪجهه نقطي تي هڪ فيصلو ڪيو ويندو آهي جنهن بابت تصوير جون پوائنٽون يا علائقا وڌيڪ پروسيسنگ لاءِ لاڳاپيل آهن. مثال آهن
1. دلچسپي جي پوائنٽن جي مخصوص سيٽ جو انتخاب
2. ھڪڙي يا گھڻن تصويرن جي علائقن جو ڀاڱو جنھن ۾ دلچسپي جي ھڪڙي خاص شئي شامل آھي.
⦁ اعلي سطحي پروسيسنگ:
هن قدم تي ان پٽ عام طور تي ڊيٽا جو هڪ ننڍڙو سيٽ هوندو آهي، مثال طور پوائنٽس جو هڪ سيٽ يا هڪ تصوير واري علائقي جو فرض ڪيو ويندو آهي ته هڪ مخصوص اعتراض تي مشتمل هجي. باقي پروسيسنگ سان واسطو رکي ٿو، مثال طور:
1. تصديق ڪريو ته ڊيٽا ماڊل جي بنياد تي ۽ ايپليڪيشن جي مخصوص مفروضن کي پورو ڪري ٿي.
2. ايپليڪيشن جي مخصوص پيٽرولن جو اندازو، جهڙوڪ اعتراض پوز يا اعتراض.
3. هڪ دريافت ڪيل شئي کي مختلف قسمن ۾ ورهائڻ. ان ڪري، تصويري پروسيسنگ AI کي تصوير جي سڃاڻپ ڪرڻ ۾ مدد ڪري ٿي ۽ تصوير جي سڃاڻپ جي مطابق جواب ڏيو.
تصويرن جو هڪ بيحد مستقبل
جيئن ته ٽيڪنالاجي بهتر ٿي، تصوير جي سڃاڻپ اڃا به وڌيڪ نتيجا واپس آڻيندي. Lobster ۾ مشين لرننگ جي سربراهه، ولاديمير پاولوف جو چوڻ آهي ته، ”آبجیکٹ جي سڃاڻپ لاءِ رياضياتي بنياد ڪافي عرصي کان موجود آهي، پر ڪمپيوٽر ويزن الگورٿم استعمال ڪرڻ جا ٽيڪنيڪل امڪان تازو ئي ظاهر ٿيا آهن. اڳ ۾ ئي، نيورل نيٽ ورڪ مڪمل ڊيڪٽرز ٺاهڻ جي اجازت ڏين ٿا جيڪي انسانن کان بهتر ڪم ڪرڻ جي قابل آهن. هڪ وڏو جرڪ ٽريننگ لاء نشان لڳل تصويري ڊيٽا سيٽ جي موجودگي کي واپس رکي ٿو، پر ويجهي مستقبل ۾، اهو مسئلو نه ٿيندو. ڪمپيوٽر ويزن انجنيئر فعال طور تي سيلف لرننگ الگورٿمز تي ڪم ڪري رهيا آهن“. هڪ مستقبل سان تمام گهڻو متاثر ٿيندڙ بصري ڪميونيڪيشن سان، تصويرن جي سڃاڻپ اسان جي نظر ايندڙ ڪيترين ئي تصويرن جي پويان اهم عنصر هوندو. ٻئي حقيقي زندگي ۾ ۽ آن لائن.