เหตุใดการจดจำภาพจึงมีความสำคัญ

ประมาณ 80 เปอร์เซ็นต์ของเนื้อหาบนอินเทอร์เน็ตเป็นภาพ คุณสามารถเริ่มหาคำตอบได้แล้วว่าทำไมการแท็กรูปภาพจึงถือเป็นราชาของตารางเนื้อหา ไม่ว่าจะเป็นบุคคลหรือบริษัท การจดจำภาพ AI ทำให้สามารถระบุภาพออนไลน์ได้โดยมีความยุ่งยากน้อยที่สุด มีการโพสต์รูปภาพประมาณ 657 พันล้านภาพในแต่ละปี โดยส่วนใหญ่ปรากฏบนโซเชียลมีเดีย ภาพส่วนใหญ่เหล่านี้คือการที่ผู้คนโปรโมตผลิตภัณฑ์ แม้ว่าพวกเขาจะทำโดยไม่รู้ตัวก็ตาม เนื้อหาที่ผู้ใช้สร้างขึ้น (UGC) ในรูปแบบที่บริสุทธิ์ที่สุดเป็นตัวเปิดใช้งานที่ยอดเยี่ยมสำหรับแบรนด์ เนื่องจากเป็นการส่งเสริมการขายที่ดีที่สุด
มีเครื่องมือทางการตลาดเพื่อแจ้งเตือนบริษัทต่างๆ เมื่อมีการกล่าวถึงผู้บริโภคบนโซเชียลมีเดีย แต่จะเป็นอย่างไรเมื่อการโปรโมตแบรนด์เกิดขึ้นโดยไม่มีใครแท็กชื่อของพวกเขาในโพสต์โซเชียล นี่คือจุดที่การจดจำรูปภาพ AI พิสูจน์คุณค่าของมัน หากเทคโนโลยีได้รับการป้อนชุดข้อมูลที่ถูกต้อง AI จะสามารถระบุรูปภาพได้โดยไม่ต้องกล่าวถึงแท็กเฉพาะ ผลลัพธ์อันล้ำค่าสำหรับแบรนด์ในการติดตามและติดตามการกล่าวถึงในโซเชียลของพวกเขา

การจดจำภาพทำงานอย่างไร

ดังที่เราทราบ AI สามารถค้นหาแพลตฟอร์มโซเชียลมีเดียที่ต้องการค้นหารูปภาพ และเปรียบเทียบกับชุดข้อมูลขนาดใหญ่ได้ จากนั้นจะตัดสินใจเลือกภาพที่เกี่ยวข้องซึ่งตรงกันในอัตราที่รวดเร็วเกินกว่าที่มนุษย์จะสามารถทำได้ แบรนด์ต่างๆ ใช้การจดจำรูปภาพเพื่อค้นหาเนื้อหาที่คล้ายกับเนื้อหาของตนเองบนโซเชียลมีเดีย นั่นหมายถึงการระบุโลโก้ของแบรนด์หรือการรับรู้ถึงการจัดวางผลิตภัณฑ์แบบออร์แกนิกในหมู่ผู้ใช้โซเชียลมีเดีย การขอให้มนุษย์ค้นหาข้อมูลมากมายกลายเป็นเรื่องที่น่าเบื่อหน่าย AI ไม่ต้องกังวลกับข้อผิดพลาดของมนุษย์ และให้ผลลัพธ์ที่แม่นยำในระดับที่ไม่มีใครเทียบได้ การจดจำรูปภาพด้วย AI จะตรวจสอบสิ่งที่ผู้คนพูดถึงเกี่ยวกับแบรนด์โดยไม่จำเป็นต้องใช้ข้อความ แบรนด์ที่สามารถติดตามการกล่าวถึงในโซเชียลของตนโดยที่ผู้ใช้ไม่จำเป็นต้องพิมพ์ชื่อบริษัทจะพบว่าตัวเองอยู่ในตำแหน่งที่ได้เปรียบ ศักยภาพในการเข้าถึงความครอบคลุมออนไลน์ของตนเองผ่านตัวระบุที่ได้รับการยอมรับจาก AI เพียงอย่างเดียวนั้นมีมากมายและนำเสนอความครอบคลุมที่ไม่มีใครเทียบได้

งานทั่วไปบางประการของการจดจำภาพมีดังนี้:-

ในตอนแรก เราต้องพิจารณาว่าข้อมูลรูปภาพมีวัตถุ คุณสมบัติ หรือกิจกรรมบางอย่างหรือไม่ โดยปกติงานนี้สามารถแก้ไขได้อย่างแข็งแกร่งและโดยไม่ต้องใช้ความพยายามของมนุษย์ แต่ก็ยังไม่ได้รับการแก้ไขอย่างน่าพอใจในการมองเห็นด้วยคอมพิวเตอร์สำหรับกรณีทั่วไป: วัตถุตามอำเภอใจในสถานการณ์ตามอำเภอใจ วิธีการที่มีอยู่ในการจัดการกับปัญหานี้สามารถแก้ไขได้ดีที่สุดเฉพาะกับวัตถุเฉพาะ เช่น วัตถุเรขาคณิตธรรมดา (เช่น รูปทรงหลายเหลี่ยม) ใบหน้ามนุษย์ ตัวอักษรที่พิมพ์หรือเขียนด้วยลายมือ หรือยานพาหนะ และในสถานการณ์เฉพาะ โดยทั่วไปจะอธิบายเป็นคำศัพท์ ของการส่องสว่าง พื้นหลัง และท่าทางของวัตถุที่สัมพันธ์กับกล้องที่กำหนดไว้อย่างดี ปัญหาการรับรู้ประเภทต่างๆ มีการอธิบายไว้ในวรรณกรรม:

• การรับรู้วัตถุ

สามารถจดจำวัตถุหรือคลาสวัตถุที่กำหนดไว้ล่วงหน้าหรือเรียนรู้ได้หนึ่งหรือหลายรายการ โดยปกติจะใช้ร่วมกับตำแหน่ง 2 มิติในภาพหรือท่าทาง 3 มิติในฉาก

• บัตรประจำตัว
แต่ละอินสแตนซ์ของออบเจ็กต์ได้รับการยอมรับ ตัวอย่าง ได้แก่ การระบุใบหน้าหรือลายนิ้วมือของบุคคลใดบุคคลหนึ่ง หรือการระบุยานพาหนะเฉพาะ

• การตรวจจับ
ข้อมูลภาพจะถูกสแกนเพื่อหาเงื่อนไขเฉพาะ ตัวอย่าง ได้แก่ การตรวจหาเซลล์หรือเนื้อเยื่อที่ผิดปกติที่เป็นไปได้ในภาพทางการแพทย์ หรือการตรวจจับยานพาหนะในระบบเก็บค่าผ่านทางอัตโนมัติ การตรวจจับโดยอาศัยการคำนวณที่ค่อนข้างง่ายและรวดเร็ว บางครั้งใช้เพื่อค้นหาพื้นที่เล็กๆ ของข้อมูลภาพที่น่าสนใจ ซึ่งสามารถวิเคราะห์เพิ่มเติมได้ด้วยเทคนิคที่ต้องใช้การคำนวณมากขึ้นเพื่อสร้างการตีความที่ถูกต้อง

มีงานพิเศษหลายอย่างที่ขึ้นอยู่กับการจดจำ เช่น:

• การดึงภาพตามเนื้อหา
ที่นี่คุณจะพบรูปภาพทั้งหมดในชุดรูปภาพขนาดใหญ่ซึ่งมีเนื้อหาเฉพาะ เนื้อหาสามารถระบุได้หลายวิธี เช่น ในแง่ของความคล้ายคลึงกับรูปภาพเป้าหมาย (ให้รูปภาพทั้งหมดที่คล้ายกับรูปภาพ X ให้ฉัน) หรือในแง่ของเกณฑ์การค้นหาระดับสูงที่กำหนดเป็นการป้อนข้อความ (ให้รูปภาพทั้งหมดที่มี บ้านหลายหลังถูกยึดไปในฤดูหนาวและไม่มีรถยนต์)

• การประมาณท่าทาง
เราต้องประมาณตำแหน่งหรือทิศทางของวัตถุเฉพาะที่สัมพันธ์กับกล้อง ตัวอย่างการประยุกต์ใช้เทคนิคนี้จะเป็นการช่วยหุ่นยนต์ดึงวัตถุจากสายพานลำเลียงในสถานการณ์ในสายการผลิต

• การรู้จำอักขระด้วยแสง
OCR ซึ่งเป็นการระบุอักขระในรูปของข้อความที่พิมพ์หรือเขียนด้วยลายมือ โดยปกติจะมีจุดประสงค์เพื่อเข้ารหัสข้อความให้อยู่ในรูปแบบที่มากขึ้นและสามารถแก้ไขหรือจัดทำดัชนีภาควิชาวิทยาการคอมพิวเตอร์และวิศวกรรมศาสตร์ มหาวิทยาลัยมิชิแกนสเตตได้ “คณาจารย์ในห้องปฏิบัติการการจดจำรูปแบบและการประมวลผลภาพ (PRIP) และนักศึกษาตรวจสอบการใช้เครื่องจักรเพื่อจดจำรูปแบบหรือวัตถุ วิธีการได้รับการพัฒนาเพื่อตรวจจับวัตถุ เพื่อค้นหาคุณลักษณะใดที่แตกต่างจากวิธีอื่น และเพื่อออกแบบอัลกอริธึมที่เครื่องสามารถใช้เพื่อทำการจำแนกประเภทได้ การใช้งานที่สำคัญ ได้แก่ การจดจำใบหน้า การระบุลายนิ้วมือ การวิเคราะห์รูปภาพในเอกสาร การสร้างโมเดลวัตถุ 3 มิติ การนำทางของหุ่นยนต์ และการแสดงภาพ/การสำรวจข้อมูลปริมาตร 3 มิติ ปัญหาการวิจัยในปัจจุบัน ได้แก่ การรับรองความถูกต้องด้วยไบโอเมตริกซ์ การเฝ้าระวังและการติดตามอัตโนมัติ HCI แบบไร้มือจับ การสร้างโมเดลใบหน้า ลายน้ำดิจิทัล และการวิเคราะห์โครงสร้างเอกสารออนไลน์ ผู้สำเร็จการศึกษาจากห้องปฏิบัติการล่าสุดได้ทำงานเกี่ยวกับการจดจำลายมือ การตรวจสอบลายเซ็น การเรียนรู้ด้วยภาพ และการเรียกค้นรูปภาพ”

⦁ การจดจำใบหน้า
เรารู้ว่าระบบจดจำใบหน้ากำลังได้รับความนิยมมากขึ้นเรื่อยๆ ในฐานะวิธีการดึงข้อมูลไบโอเมตริกซ์ การจดจำใบหน้ามีบทบาทสำคัญในระบบไบโอเมตริกซ์ และมีความน่าสนใจสำหรับการใช้งานมากมาย รวมถึงการเฝ้าระวังด้วยภาพและการรักษาความปลอดภัย เนื่องจากการที่สาธารณชนทั่วไปยอมรับภาพใบหน้าในเอกสารต่างๆ การจดจำใบหน้าจึงมีศักยภาพอย่างมากที่จะกลายเป็นเทคโนโลยีไบโอเมตริกซ์ยุคถัดไปที่ได้รับเลือก

ระบบการรับรู้ภาพ

⦁ การวิเคราะห์การเคลื่อนไหว
งานหลายอย่างเกี่ยวข้องกับการประมาณค่าการเคลื่อนไหวโดยที่ลำดับภาพได้รับการประมวลผลเพื่อสร้างการประมาณความเร็วที่แต่ละจุดในภาพหรือในฉาก 3 มิติ หรือแม้แต่ของกล้องที่สร้างภาพ ตัวอย่างของงานดังกล่าว ได้แก่:

⦁  การเคลื่อนไหวของอัตตา
การกำหนดการเคลื่อนไหวที่เข้มงวดแบบ 3 มิติ (การหมุนและการแปล) ของกล้องจากลำดับภาพที่ผลิตโดยกล้อง

⦁การติดตาม
การติดตามคือการติดตามการเคลื่อนไหวของจุดสนใจหรือวัตถุชุดเล็กๆ (โดยปกติ) (เช่น ยานพาหนะหรือมนุษย์) ในลำดับภาพ

⦁ การไหลของแสง
นี่คือการกำหนด สำหรับแต่ละจุดในภาพ ว่าจุดนั้นเคลื่อนที่สัมพันธ์กับระนาบภาพอย่างไร กล่าวคือ การเคลื่อนไหวที่ชัดเจนของมัน การเคลื่อนไหวนี้เป็นผลจากการเคลื่อนที่ของจุด 3D ที่สอดคล้องกันในฉาก และวิธีที่กล้องเคลื่อนที่สัมพันธ์กับฉาก

⦁ การสร้างฉากใหม่
การให้ภาพฉากหรือวิดีโอหนึ่งภาพหรือมากกว่าหนึ่งภาพ (โดยทั่วไป) การสร้างฉากขึ้นใหม่มีจุดมุ่งหมายที่การคำนวณแบบจำลอง 3 มิติของฉากนั้น ในกรณีที่ง่ายที่สุด โมเดลอาจเป็นชุดของจุด 3 มิติ วิธีการที่ซับซ้อนมากขึ้นทำให้เกิดแบบจำลองพื้นผิว 3 มิติที่สมบูรณ์

⦁ การฟื้นฟูภาพ
จุดมุ่งหมายของการฟื้นฟูภาพคือการกำจัดสัญญาณรบกวน (สัญญาณรบกวนของเซ็นเซอร์ ภาพเบลอจากการเคลื่อนไหว ฯลฯ) ออกจากภาพ วิธีที่ง่ายที่สุดในการกำจัดสัญญาณรบกวนคือตัวกรองหลายประเภท เช่น ตัวกรองความถี่ต่ำหรือตัวกรองค่ามัธยฐาน วิธีการที่ซับซ้อนมากขึ้นจะใช้แบบจำลองว่าโครงสร้างภาพในท้องถิ่นมีลักษณะอย่างไร ซึ่งเป็นแบบจำลองที่แยกความแตกต่างจากสัญญาณรบกวน โดยการวิเคราะห์ข้อมูลภาพในแง่ของโครงสร้างภาพเฉพาะที่ในขั้นแรก เช่น เส้นหรือขอบ จากนั้นควบคุมการกรองตามข้อมูลท้องถิ่นจากขั้นตอนการวิเคราะห์ มักจะได้ระดับการกำจัดสัญญาณรบกวนที่ดีกว่าเมื่อเปรียบเทียบกับแนวทางที่ง่ายกว่า ตัวอย่างในสาขานี้คือภาพวาดของพวกเขา บางระบบเป็นการใช้งานแบบสแตนด์อโลนซึ่งแก้ปัญหาการวัดหรือการตรวจจับเฉพาะ ในขณะที่ระบบอื่นๆ ถือเป็นระบบย่อยที่มีการออกแบบที่ใหญ่กว่า ซึ่งตัวอย่างเช่น ยังมีระบบย่อยสำหรับการควบคุมแอคชูเอเตอร์เชิงกล การวางแผน ฐานข้อมูล ข้อมูล มนุษย์ ส่วนต่อประสานกับเครื่องจักร ฯลฯ การใช้งานเฉพาะของระบบคอมพิวเตอร์วิทัศน์ยังขึ้นอยู่กับว่าฟังก์ชันการทำงานของระบบนั้นถูกกำหนดไว้ล่วงหน้าหรือไม่ หรือสามารถเรียนรู้หรือแก้ไขบางส่วนได้ระหว่างการทำงานหรือไม่ อย่างไรก็ตาม มีฟังก์ชันทั่วไปที่พบในระบบคอมพิวเตอร์วิทัศน์จำนวนมาก

 

การเรียนรู้ที่ลึกซึ้งยิ่งขึ้นด้วยการจดจำภาพ

การจดจำรูปภาพมีมาก่อน AI แต่ปัจจัยการเรียนรู้ของเครื่องกำลังปฏิวัติวิธีการระบุวัตถุหรือใบหน้าของบุคคล อย่างไรก็ตาม แมชชีนเลิร์นนิงจะมีประสิทธิภาพก็ต่อเมื่อมีข้อมูลที่จะป้อนเท่านั้น สำหรับระบบอัตโนมัติทั้งหมดของ AI การมอบหมายให้ระบุรูปภาพไม่ใช่เรื่องง่าย ความเข้าใจของเราเกี่ยวกับภาพเป็นเรื่องธรรมชาติที่สอง มันเป็นสิ่งที่เราถูกตั้งโปรแกรมให้ทำตั้งแต่อายุยังน้อย การถามเครื่องจักรแบบเดียวกันไม่ใช่กระบวนการที่ตรงไปตรงมา ด้วยเหตุนี้ รูปแบบการจดจำ AI ที่ได้รับความนิยมมากที่สุดรูปแบบหนึ่งคือโครงข่ายประสาทเทียมแบบหมุนวน (CNN) CNN เป็นวิธีการที่เน้นไปที่พิกเซลที่อยู่ติดกัน รูปภาพที่อยู่ในตำแหน่งใกล้เคียงมีแนวโน้มที่จะเกี่ยวข้องกันมากกว่า ซึ่งหมายความว่าวัตถุหรือใบหน้าจะจับคู่กับรูปภาพที่มีความโปร่งใสมากขึ้น
ในขณะที่แบรนด์ต่างๆ ที่ต้องการสร้างรายได้จากโซเชียลมีเดียผ่านการจดจำรูปภาพด้วย AI มีประโยชน์ที่ชัดเจน แต่กรณีการใช้งานกลับมีความลึกมากกว่านั้นมาก รถยนต์ที่ขับเคลื่อนด้วยตนเองกำลังจะกลายเป็นสิ่งที่ยิ่งใหญ่ต่อไปในโลกของรถยนต์ และเทคโนโลยีการจดจำภาพ AI กำลังช่วยเพิ่มพลังให้กับรถยนต์เหล่านั้น รถยนต์ไร้คนขับที่สามารถตรวจจับวัตถุและผู้คนบนท้องถนนไม่ให้ชนเข้ากับสิ่งเหล่านั้นจะไม่เกิดขึ้นโดยอัตโนมัติ จำเป็นต้องจดจำภาพเพื่อทำการตัดสินใจอย่างมีข้อมูล รถที่ขับเคลื่อนด้วยตนเองแต่ละคันมีเซ็นเซอร์หลายตัว เพื่อให้สามารถระบุยานพาหนะอื่นๆ ที่เคลื่อนไหว นักปั่นจักรยาน และผู้คน โดยพื้นฐานแล้วสิ่งใดก็ตามที่อาจก่อให้เกิดอันตรายได้ รถยนต์อัตโนมัติจำเป็นต้องจัดการกับอันตรายบนท้องถนนด้วยวิธีเดียวกับที่คนขับเชี่ยวชาญ ยังมีอีกหลายแง่มุมที่ต้องแก้ไขก่อนที่รถยนต์ที่ขับเคลื่อนด้วยตนเองจะออกสู่ท้องถนนในปี 2020 แต่เมื่อระบบอัตโนมัติของยานพาหนะเริ่มทำงาน การจดจำรูปภาพด้วย AI จะเป็นหนึ่งในตัวขับเคลื่อนหลักที่อยู่เบื้องหลังการทำงานอย่างปลอดภัย
⦁ การได้มาซึ่งภาพ
ภาพดิจิทัลถูกสร้างขึ้นโดยเซ็นเซอร์รับภาพหนึ่งตัวหรือหลายตัว ซึ่งนอกเหนือจากกล้องที่ไวต่อแสงประเภทต่างๆ แล้ว ยังรวมถึงเซ็นเซอร์ระยะ อุปกรณ์เอกซเรย์ เรดาร์ กล้องอัลตราโซนิก ฯลฯ ข้อมูลภาพที่ได้จะขึ้นอยู่กับประเภทของเซ็นเซอร์ คือภาพ 2D ธรรมดา ปริมาตร 3D หรือลำดับภาพ โดยทั่วไปค่าพิกเซลจะสอดคล้องกับความเข้มของแสงในแถบสเปกตรัมหนึ่งแถบหรือหลายแถบ (ภาพสีเทาหรือภาพสี) แต่ยังอาจเกี่ยวข้องกับการวัดทางกายภาพต่างๆ เช่น ความลึก การดูดกลืนแสง หรือการสะท้อนของคลื่นโซนิคหรือคลื่นแม่เหล็กไฟฟ้า หรือการเรโซแนนซ์แม่เหล็กนิวเคลียร์
⦁ การประมวลผลล่วงหน้า:
ก่อนที่วิธีคอมพิวเตอร์วิทัศน์จะสามารถนำไปใช้กับข้อมูลภาพเพื่อดึงข้อมูลบางส่วนออกมาได้ โดยปกติแล้วจำเป็นต้องประมวลผลข้อมูลเพื่อให้แน่ใจว่าจะเป็นไปตามสมมติฐานบางประการที่บอกเป็นนัยโดยวิธีการดังกล่าว ตัวอย่างได้แก่
1. การสุ่มตัวอย่างซ้ำเพื่อให้มั่นใจว่าระบบพิกัดภาพถูกต้อง
2. การลดสัญญาณรบกวนเพื่อให้มั่นใจว่าสัญญาณรบกวนของเซ็นเซอร์จะไม่แนะนำข้อมูลที่เป็นเท็จ
3. การปรับปรุงความคมชัดเพื่อให้แน่ใจว่าสามารถตรวจจับข้อมูลที่เกี่ยวข้องได้
4. การแสดงขนาดพื้นที่เพื่อปรับปรุงโครงสร้างภาพในระดับที่เหมาะสมในพื้นที่
⦁ การแยกคุณสมบัติ:
คุณลักษณะของรูปภาพในระดับความซับซ้อนต่างๆ จะถูกดึงออกมาจากข้อมูลรูปภาพ ตัวอย่างทั่วไปของคุณสมบัติดังกล่าว ได้แก่ เส้น ขอบ และสันเขา
จุดสนใจที่แปลเป็นภาษาท้องถิ่น เช่น มุม จุดหยด หรือจุด ลักษณะที่ซับซ้อนมากขึ้นอาจเกี่ยวข้องกับพื้นผิว รูปร่าง หรือการเคลื่อนไหว
⦁ การตรวจจับ/การแบ่งส่วน:
ในบางจุดของการประมวลผล จะมีการตัดสินใจว่าจุดภาพหรือบริเวณใดของภาพมีความเกี่ยวข้องในการประมวลผลต่อไป ตัวอย่างได้แก่
1. การเลือกชุดจุดสนใจเฉพาะ
2. การแบ่งส่วนพื้นที่ภาพหนึ่งหรือหลายพื้นที่ซึ่งมีวัตถุเฉพาะที่น่าสนใจ
⦁ การประมวลผลระดับสูง:
ในขั้นตอนนี้ โดยทั่วไปอินพุตจะเป็นชุดข้อมูลขนาดเล็ก เช่น ชุดของจุดหรือขอบเขตรูปภาพซึ่งสันนิษฐานว่ามีวัตถุเฉพาะ การประมวลผลที่เหลือเกี่ยวข้องกับ ตัวอย่างเช่น:
1. การตรวจสอบว่าข้อมูลเป็นไปตามสมมติฐานตามรุ่นและการใช้งานเฉพาะ
2. การประมาณค่าพารามิเตอร์เฉพาะของแอปพลิเคชัน เช่น ท่าทางของวัตถุหรือขนาดวัตถุ
3. การแบ่งประเภทของวัตถุที่ตรวจพบออกเป็นหมวดหมู่ต่างๆ ดังนั้นการประมวลผลภาพจึงช่วยให้ AI สามารถระบุภาพและตอบสนองตามการระบุภาพได้

อนาคตที่ไร้รอยต่อของภาพที่

เมื่อเทคโนโลยีพัฒนาขึ้น การจดจำรูปภาพจะให้ผลลัพธ์ที่ดียิ่งขึ้น Vladimir Pavlov หัวหน้าฝ่าย Machine Learning ที่ Lobster กล่าวว่า “พื้นฐานทางคณิตศาสตร์สำหรับการรู้จำวัตถุนั้นมีมานานแล้ว แต่ความเป็นไปได้ทางเทคโนโลยีของการใช้อัลกอริธึมการมองเห็นของคอมพิวเตอร์ปรากฏขึ้นเมื่อไม่นานมานี้ โครงข่ายประสาทเทียมทำให้สามารถสร้างเครื่องตรวจจับที่สมบูรณ์แบบซึ่งสามารถทำงานได้ดีกว่ามนุษย์ การกระตุกครั้งใหญ่ทำให้การมีอยู่ของชุดข้อมูลรูปภาพที่ทำเครื่องหมายไว้สำหรับการฝึกอบรมยังคงอยู่ แต่ในอนาคตอันใกล้นี้สิ่งนี้จะไม่เป็นปัญหา วิศวกรด้านคอมพิวเตอร์วิทัศน์กำลังทำงานอย่างแข็งขันเกี่ยวกับอัลกอริธึมการเรียนรู้ด้วยตนเอง” ด้วยอนาคตที่ได้รับอิทธิพลอย่างมากจากการสื่อสารด้วยภาพ การจดจำภาพจะเป็นปัจจัยสำคัญเบื้องหลังภาพจำนวนมากที่เราเห็น ทั้งในชีวิตจริงและออนไลน์