Hvad er Computer Vision?

Hvad er Computer Vision?

Computer vision-algoritmer er en af de mest transformative og kraftfulde AI-systemer i verden lige nu. Computer vision-systemer bruges i selvstændige køretøjer, robotnavigation, ansigtsgenkendelsessystemer og mere. Men hvad er computer vision-algoritmer nøjagtig? Hvordan fungerer de? For at besvare disse spørgsmål, vil vi dykke dybt ind i teorien bag computer vision, computer vision-algoritmer og anvendelser af computer vision-systemer.

Hvordan fungerer Computer Vision-Systemer?

For at fuldt ud kunne værdsætte, hvordan computer vision-systemer fungerer, lad os først tage et øjeblik til at diskutere, hvordan mennesker genkender objekter. Den bedste forklaring, som neuropsykologien har for, hvordan vi genkender objekter, er en model, der beskriver den initielle fase af objektgenkendelse som en fase, hvor de grundlæggende komponenter af objekter, såsom form, farve og dybde, fortolkes af hjernen først. Signalerne fra øjet, der indgår i hjernen, analyseres for at trække objekters kanter ud først, og disse kanter samles derefter sammen til en mere kompleks repræsentation, der fuldender objektsformen.

Computer vision-systemer fungerer meget ligesom det menneskelige synssystem, ved først at skelne objekters kanter og derefter samle disse kanter sammen til objektsformen. Den store forskel er, at fordi computere fortolker billeder som tal, har et computer vision-system brug for en måde at fortolke de enkelte pixels, der udgør billedet på. Computer vision-systemet vil tildele værdier til pixels i billedet, og ved at undersøge forskellen i værdier mellem en region af pixels og en anden region af pixels, kan computeren skelne kanter. For eksempel, hvis billedet i spørgsmålet er gråtone, vil værdierne variere fra sort (repræsenteret af 0) til hvid (repræsenteret af 255). En pludselig ændring i værdiernes rækkevidde af pixels nær hinanden vil indikere en kant.

Denne grundlæggende princip om at sammenligne pixelværdier kan også gøres med farvebilder, hvor computeren sammenligner forskelle mellem de forskellige RGB-farvekilder. Nu, hvor vi ved, hvordan et computer vision-system undersøger pixelværdier for at fortolke et billede, lad os se på arkitekturen af et computer vision-system.

Convolutional Neural Networks (CNNs)

Den primære type AI, der bruges i computer vision-opgaver, er en baseret på convolutional neural networks. Hvad er en convolution nøjagtig?

Convolutions er matematiske processer, som netværket bruger til at bestemme forskellen i værdier mellem pixels. Hvis du forestiller dig et grid af pixelværdier, forestil dig et mindre grid, der flyttes over dette hovedgrid. Værdierne under det andet grid analyseres af netværket, så netværket undersøger kun en håndfuld pixels ad gangen. Dette kaldes ofte “sliding windows”-teknikken. Værdierne, der analyseres af det glidende vindue, summeres af netværket, hvilket hjælper med at reducere billedets kompleksitet og gøre det lettere for netværket at trække mønstre ud.

Convolutional neural networks er inddelt i to forskellige sektioner, den convolutionelle sektion og den fuldt forbundne sektion. Den convolutionelle del af netværket er funktionsekstraktorerne, hvis opgave er at analysere pixels i billedet og danne repræsentationer af dem, som de tæt forbundne lag i neurale netværk kan lære mønstre fra. Den convolutionelle del starter med at undersøge pixels og trække lavniveaufunktioner af billedet som kanter. Senere convolutionelle lag samler kanterne sammen til mere komplekse former. Ved slutningen af netværket vil det håbefuldt have en repræsentation af kanterne og detaljerne i billedet, som det kan overføre til de fuldt forbundne lag.

Billedeannotering

Selvom et convolutionelt neuralt netværk kan trække mønstre ud af billeder på egen hånd, kan nøjagtigheden af computer vision-systemet forbedres væsentligt ved at annotere billederne. Billedeannotering er processen med at tilføje metadata til billedet, som hjælper klassificatoren med at detektere vigtige objekter i billedet. Brugen af billedeannotering er vigtig, når computer vision-systemer skal være meget nøjagtige, såsom når de kontrollerer en selvstændig bil eller robot.

Der er forskellige måder, hvorpå billeder kan annoteres for at forbedre computer vision-klassificatorens præstation. Billedeannotering udføres ofte med begrænsningsbokse, en boks, der omgiver objekts kanter, og fortæller computeren at fokusere sin opmærksomhed inden for boksen. Semantisk segmentering er en anden type billedeannotering, der fungerer ved at tildele en billedklasse til hver pixel i billedet. Med andre ord vil hver pixel, der kan betragtes som “græs” eller “træer”, blive klassificeret som tilhørende disse klasser. Teknikken giver pixelniveau-præcision, men oprettelse af semantisk segmenteringsannotationer er mere kompleks og tidskrævende end at oprette simple begrænsningsbokse. Andre annoteringsmetoder, som linjer og punkter, findes også.