Βασικές αρχές της AI
Τι είναι η Υπολογιστική Όραση;
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Υπολογιστική όραση είναι ο τομέας που δημιουργεί συστήματα που εξάγουν χρήσιμες πληροφορίες από εικόνες και βίντεο. Ένα μοντέλο όρασης μπορεί να ταξινομήσει ολόκληρη μια εικόνα, να εντοπίσει αντικείμενα, να ετικετοποιήσει κάθε pixel, να διαβάσει κείμενο, να εκτιμήσει τη στάση, να παρακολουθήσει κίνηση ή να συνδέσει το οπτικό περιεχόμενο με τη γλώσσα.
Τα σύγχρονα συστήματα όρασης δεν αναπαράγουν απλώς τη διαδικασία ανίχνευσης άκρων της ανθρώπινης αντίληψης. Μαθαίνουν αναπαραστάσεις ειδικές για την εργασία από δεδομένα, συχνά χρησιμοποιώντας συνελικτικά νευρωνικά δίκτυα, μετασχηματιστές όρασης ή πολυμορφικά μοντέλα βάσης.
Σημαντικά Σημεία
- Η ταξινόμηση, η ανίχνευση, η διαχωριστική ανάλυση, η OCR, η παρακολούθηση και η δημιουργία είναι διαφορετικές εργασίες όρασης.
- Τα CNN ενσωματώνουν τοπικότητα και κοινή χρήση βαρών· οι μετασχηματιστές όρασης χρησιμοποιούν προσοχή μεταξύ των τμημάτων της εικόνας.
- Οι ετικέτες μπορούν να προέρχονται από ανθρώπους, αδύνατη εποπτεία, συνθετικά δεδομένα ή αυτοεποπτευόμενους στόχους.
- Η ακρίβεια από μόνη της δεν είναι επαρκής: η ανθεκτικότητα, η καθυστέρηση, η ιδιωτικότητα, η μεροληψία και το κόστος αποτυχίας είναι σημαντικά.
Οι κύριες εργασίες υπολογιστικής όρασης
- Ταξινόμηση εικόνας αποδίδει μία ή περισσότερες ετικέτες σε μια εικόνα. Δείτε πώς λειτουργεί η ταξινόμηση εικόνας.
- Ανίχνευση αντικειμένων προβλέπει κατηγορίες και πλαίσια οριοθέτησης για πολλαπλά αντικείμενα.
- Σημασιολογική διαχωριστική ανάλυση ετικετοποιεί κάθε pixel ανά κλάση, ενώ η διαχωριστική ανάλυση περιστατικών διαχωρίζει μεμονωμένα αντικείμενα.
- Οπτική αναγνώριση χαρακτήρων (OCR) εντοπίζει και μεταγράφει κείμενο.
- Εκτίμηση στάσης προβλέπει σημεία σώματος ή αντικειμένου.
- Παρακολούθηση συσχετίζει τις ανιχνεύσεις σε διαδοχικά καρέ βίντεο.
- Δημιουργία και επεξεργασία εικόνας παράγει ή μετασχηματίζει οπτικό περιεχόμενο, συχνά χρησιμοποιώντας μοντέλα διάχυσης.
Πώς οι εικόνες γίνονται είσοδοι μοντέλου
Μια ψηφιακή εικόνα είναι ήδη αριθμητικά δεδομένα: ένα τανυστικό που περιέχει τιμές pixel σε χωρικές διαστάσεις και κανάλια. Η προεπεξεργασία μπορεί να αλλάξει το μέγεθος, να κανονικοποιήσει, να περικόψει ή να επεκτείνει την εικόνα. Το βίντεο προσθέτει μια χρονική διάσταση, ενώ η ιατρική και η επιστημονική απεικόνιση μπορούν να προσθέσουν βάθος, μήκος κύματος ή άλλες λειτουργίες.
Η κλασική υπολογιστική όραση χρησιμοποιούσε χειροκίνητα σχεδιασμένα χαρακτηριστικά άκρων, γωνιών και υφής. Τα σύγχρονα βαθιά μοντέλα συνήθως μαθαίνουν χαρακτηριστικά μαζί με την εργασία, αν και οι κλασικές μέθοδοι παραμένουν χρήσιμες όταν τα δεδομένα είναι περιορισμένα, οι κανόνες είναι καλά κατανοητοί ή η υπολογιστική ισχύς πρέπει να είναι ελάχιστη.
CNN και μάθηση τοπικών χαρακτηριστικών
Ένα CNN εφαρμόζει μάθειες πυρήνες σε τοπικές γειτονιές. Τα πρώτα στρώματα μπορούν να ανταποκριθούν σε τοπικά μοτίβα, ενώ τα μεταγενέστερα μπλοκ τα συνδυάζουν σε αναπαραστάσεις σχετικές με την εργασία. Η λειτουργία pooling ή οι λειτουργίες με βήμα μειώνουν την χωρική ανάλυση, και οι υπολειπόμενες συνδέσεις καθιστούν τα βαθιά δίκτυα πιο εύκολα στη βελτιστοποίηση.
Ένας σύγχρονος ταξινομητής CNN συχνά χρησιμοποιεί παγκόσμιο pooling αντί για μεγάλο σύνολο πλήρως συνδεδεμένων στρωμάτων. Οι ανιχνευτές και τα δίκτυα διαχωριστικής ανάλυσης προσθέτουν εξειδικευμένες κεφαλές ή διαδρομές αποκωδικοποιητή που διατηρούν χωρικές πληροφορίες.
Μετασχηματιστές όρασης και μοντέλα βάσης
Ένας μετασχηματιστής όρασης διαιρεί μια εικόνα σε τμήματα, τα ενσωματώνει και χρησιμοποιεί προσοχή για να μοντελοποιήσει τις σχέσεις τους. Οι μετασχηματιστές μπορούν να κλιμακώνονται αποτελεσματικά με μεγάλα σύνολα δεδομένων και προεκπαίδευση, ενώ τα CNN συχνά παρέχουν ισχυρότερες ενσωματωμένες υποθέσεις και αποδοτικότητα σε μικρότερες κλίμακες.
Τα πολυμορφικά μοντέλα ευθυγραμμίζουν εικόνες με κείμενο ώστε οι χρήστες να μπορούν να αναζητούν, να προσθέτουν λεζάντες, να απαντούν σε ερωτήσεις ή να καθοδηγούν τη διαχωριστική ανάλυση χρησιμοποιώντας τη γλώσσα. Αυτά τα μοντέλα επεκτείνουν τις δυνατότητες αλλά κληρονομούν επίσης αδυναμίες από τα ευρείς δεδομένα σε κλίμακα ιστού, συμπεριλαμβανομένων στερεοτύπων, προστατευμένου υλικού και άνισης κάλυψης πληθυσμών και περιβαλλόντων.
Ετικέτες, αυτοεποπτεία και συνθετικά δεδομένα
Τα πλαίσια οριοθέτησης, οι μάσκες, τα σημεία αναφοράς και οι λεζάντες μπορεί να είναι ακριβές στη δημιουργία. Η αυτοεποπτευόμενη μάθηση αντλεί στόχους από τις ίδιες τις εικόνες, ενώ η αδύνατη εποπτεία χρησιμοποιεί θορυβώδεις ή έμμεσες ετικέτες. Τα συνθετικά δεδομένα μπορούν να προσθέσουν σπάνιες καταστάσεις, αλλά τα κενά προσομοίωσης μπορεί να εμποδίσουν τη μεταφορά της συνθετικής απόδοσης στον πραγματικό κόσμο.
Η ποιότητα της σήμανσης πρέπει να μετρηθεί. Ασαφείς ετικέτες, ασυνεπείς όρια και ελλιπή αντικείμενα θέτουν ένα όριο στην απόδοση και μπορούν να κρύψουν αποτυχίες υποομάδων.
Πώς αξιολογούνται τα συστήματα όρασης
Η ταξινόμηση χρησιμοποιεί μετρικές όπως η ακρίβεια, η ευκρίνεια, η ανάκληση, το F1 και η βαθμονόμηση. Η ανίχνευση συνήθως χρησιμοποιεί την τομή πάνω από την ένωση (IoU) και τη μέση μέση ακρίβεια (mAP). Η διαχωριστική ανάλυση χρησιμοποιεί IoU ή μετρήσεις τύπου Dice. Η παρακολούθηση προσθέτει μετρικές ταυτότητας και τροχιάς.
Η μετρική πρέπει να ταιριάζει με την υλοποίηση. Ένα μοντέλο μπορεί να πετυχαίνει καλά σε ένα επιμελημένο benchmark και να αποτυγχάνει ακόμη και σε βροχή, χαμηλό φωτισμό, ασυνήθιστες γωνίες κάμερας, νέες συσκευές ή άγνωστους πληθυσμούς. Η αξιολόγηση πρέπει να περιλαμβάνει αλλαγή κατανομής, αντιπροσωπευτικές συνθήκες και λειτουργική καθυστέρηση.
Ιδιωτικότητα, μεροληψία και υλοποίηση
Τα πρόσωπα, οι πινακίδες κυκλοφορίας, τα σπίτια, οι ιατρικές σαρώσεις και τα βίντεο στον χώρο εργασίας μπορούν να αποκαλύψουν ευαίσθητες πληροφορίες. Η συλλογή και η διατήρηση πρέπει να ακολουθούν ένα καθορισμένο νομικό και ηθικό πλαίσιο, με έλεγχο πρόσβασης και ελαχιστοποίηση δεδομένων. Η ανάλυση προσώπων και η βιομετρική ταυτοποίηση απαιτούν ιδιαίτερη προσοχή, επειδή τα σφάλματα και η παρακολούθηση μπορούν να επιφέρουν άνισες βλάβες.
Η υλοποίηση στην άκρη (edge) μπορεί να μειώσει την καθυστέρηση και τη μεταφορά δεδομένων. Edge AI, η κβαντοποίηση, η περικοπή και οι εξειδικευμένοι επιταχυντές μπορούν να κάνουν τα συστήματα όρασης πρακτικά σε κάμερες, οχήματα, ρομπότ και κινητές συσκευές, αλλά η συμπίεση πρέπει να επανεξεταστεί για ακρίβεια και μεροληψία.
Από τα pixel στις οπτικές εργασίες
Η υπολογιστική όραση μετατρέπει εικόνες ή βίντεο σε εξόδους εργασιών όπως ταξινόμηση, ανίχνευση, διαχωριστική ανάλυση, παρακολούθηση, στάση, βάθος, οπτική ροή ή αναγνώριση κειμένου. Ο ορισμός της εργασίας καθορίζει τη σήμανση: μια ετικέτα εικόνας δεν μπορεί να εκπαιδεύσει ακριβή εντοπισμό, και ένα πλαίσιο οριοθέτησης δεν μπορεί να περιγράψει πλήρως μια μάσκα διαχωριστικής ανάλυσης. Η γεωμετρία της κάμερας, οι φακοί, η έκθεση, ο φωτισμός, η κίνηση, η συμπίεση και η οπτική γωνία διαμορφώνουν την κατανομή των δεδομένων. Ορίστε το περιβάλλον λειτουργίας και τις συνέπειες σφάλματος πριν επιλέξετε ένα μοντέλο, επειδή μια συλλογή εικόνων benchmark μπορεί να μην αντιπροσωπεύει τον εγκατεστημένο αισθητήρα ή σκηνή.
Μια αλυσίδα επεξεργασίας αποκωδικοποιεί και ευθυγραμμίζει τα μέσα, αλλάζει το μέγεθος ή τα τοποθετεί σε πλέγματα, κανονικοποιεί τις τιμές, εφαρμόζει ενίσχυση που διατηρεί τις ετικέτες, εκτελεί ένα μοντέλο και επεξεργάζεται τα λογίτ, τα πλαίσια, τις μάσκες ή τις διαδρομές. Οι ανιχνευτές αντικειμένων χρησιμοποιούν όρια εμπιστοσύνης και καταστολή· οι ιχνηλάτες συσχετίζουν τις ανιχνεύσεις με την πάροδο του χρόνου· η διαχωριστική ανάλυση μπορεί να απαιτεί μορφολογικό καθαρισμό. Διατηρήστε τις μετασχηματισμούς συντεταγμένων ώστε οι έξοδοι να ευθυγραμμίζονται με την αρχική εικόνα. Διαχωρίστε τα δεδομένα ανά άτομο, κάμερα, τοποθεσία ή συνεδρία καταγραφής για να αποφύγετε σχεδόν πανομοιότυπα καρέ στα σύνολα εκπαίδευσης και δοκιμής.
Αξιολόγηση, μεροληψία, ιδιωτικότητα και λειτουργίες
Οι μετρικές πρέπει να ταιριάζουν με την εργασία και τη χρήση. Η ταξινόμηση χρειάζεται ακρίβεια και ανάκληση ανά κλάση· η ανίχνευση χρησιμοποιεί τομή-επάνω-ένωση και μέση ακρίβεια σε διάφορα όρια· η διαχωριστική ανάλυση χρησιμοποιεί IoU ή Dice· η παρακολούθηση προσθέτει αλλαγές ταυτότητας· η καθυστέρηση και η διάρκεια των χαμένων γεγονότων είναι σημαντικές για το βίντεο. Αναφέρετε τα αποτελέσματα ανά φωτισμό, απόσταση, συσκευή, απόκρυψη, απόχρωση δέρματος, ηλικία και άλλες σχετικές συνθήκες. Εξετάστε τη βαθμονόμηση και τα σφάλματα υψηλής εμπιστοσύνης. Τα συνθετικά ή επαυξημένα δεδομένα μπορούν να γεμίσουν κενά αλλά απαιτούν σύγκριση με πραγματικά δεδομένα υλοποίησης και δεν πρέπει να διαρρέουν σκηνές δοκιμής.
Η όραση μπορεί να συλλέγει περαστικούς, τοποθεσίες, βιομετρικά δεδομένα και ευαίσθητη συμπεριφορά. Ελαχιστοποιήστε τη λήψη και τη διατήρηση, ασφαλίστε τις ροές, περιορίστε τη δευτερεύουσα χρήση και παρέχετε ειδοποίηση ή συναίνεση όπου απαιτείται. Δοκιμάστε εχθρικά πακέτα, επαναλήψεις, απόκρυψη, αποτυχία κάμερας και αλλαγή τομέα. Παρακολουθήστε την υγεία του αισθητήρα, τα στατιστικά εισόδου, τα ποσοστά εξόδου και τα επιβεβαιωμένα αποτελέσματα· διατηρήστε ανθρώπινη ανασκόπηση για αποφάσεις με συνέπειες. Η θόλωση ή η περικοπή μπορεί να μειώσει την έκθεση αλλά μπορεί επίσης να αφαιρέσει αποδείξεις. Ένα υψηλό σκορ εργαστηρίου δεν δικαιολογεί ισχυρισμούς ταυτότητας, συναισθήματος ή πρόθεσης πέρα από την επικυρωμένη εργασία.
Παράδειγμα εφαρμογής: ανίχνευση πεζών σε διέλευση αποθήκης
Οι κάμερες παρακολουθούν μια περιορισμένη διέλευση οχημάτων, και το μοντέλο ανιχνεύει ανθρώπους αντί να τους ταυτοποιεί. Τα δεδομένα καλύπτουν ημέρα και νύχτα, καιρικές συνθήκες, ενδυμασία, απόκρυψη, χρήστες αναπηρικών καρεκλών, θέσεις κάμερας και κενές σκηνές, χωρισμένα ανά συνεδρία εγγραφής. Ο ανιχνευτής αξιολογείται για ανάκληση συμβάντων, ψευδείς συναγερμούς, εντοπισμό, χρόνο προειδοποίησης και απόδοση σε απόσταση. Η μηχανική ασφαλείας ορίζει τη μέγιστη αποδεκτή καθυστέρηση και ανεξάρτητους φυσικούς ελέγχους.
Η ειδοποίηση όρασης μπορεί να μειώσει την ταχύτητα ενός οχήματος, αλλά οι επείγουσες στάσεις και οι φράχτες δεν εξαρτώνται από το εκπαιδευμένο μοντέλο. Η απόσυρση κάμερας, τα παγωμένα καρέ, η απώλεια δικτύου και η λήξη χρόνου του μοντέλου δημιουργούν σαφή σφάλματα. Η διατήρηση του ακατέργαστου βίντεο ελαχιστοποιείται και η πρόσβαση καταγράφεται. Η παρακολούθηση παρακολουθεί την υγεία του αισθητήρα, τα ποσοστά συναγερμού, τα ανασκοπημένα περιστατικά και τα σχεδόν ατυχήματα ανά κατάσταση. Οποιαδήποτε μετακίνηση ή αλλαγή διάταξης της κάμερας προκαλεί επαναεπαλήθευση επειδή η εμφανής ομοιότητα εικόνας δεν εγγυάται την ίδια γεωμετρία ή κίνδυνο.
Απόδειξη υλοποίησης και ετοιμότητα λειτουργίας
Μια απόφαση παραγωγής απαιτεί περισσότερα από μια επιτυχημένη επίδειξη. Ορίστε τους προοριζόμενους χρήστες, το περιβάλλον λειτουργίας, τις εισόδους, τις εξόδους, τις εξαρτήσεις, τον ιδιοκτήτη και τις συνέπειες κάθε σημαντικής αποτυχίας. Καθιερώστε μια επαναλήψιμη βάση και ένα εκδόσιμα σύνολο αξιολόγησης πριν τη ρύθμιση. Δοκιμάστε κανονικές περιπτώσεις, όρια, εσφαλμένες ή ελλιπείς εισόδους, αλλαγή κατανομής, διακοπή εξαρτήσεων, κακή χρήση και τις ομάδες ή τα περιβάλλοντα που είναι πιο πιθανό να υπολειτουργούν. Μετρήστε την ποιότητα της εργασίας μαζί με τη βαθμονόμηση ή την αβεβαιότητα, την καθυστέρηση, την απόδοση, το κόστος πόρων, την προσβασιμότητα, την ιδιωτικότητα και την ασφάλεια. Καταγράψτε κάθε μετασχηματισμό και όριο ώστε ένας ανεξάρτητος ελεγκτής να μπορεί να αναπαράγει το αποτέλεσμα και να διακρίνει την απόδειξη από ένα ελκυστικό πρωτότυπο.
Πριν την εκκίνηση, αναθέστε την εξουσία για την κυκλοφορία, τις εξαιρέσεις, τις αλλαγές, την ανάκληση και τη συνταγική. Χρησιμοποιήστε σταδιακή κυκλοφορία, διατηρήστε ασφαλή εναλλακτική λύση και επαληθεύστε την παρακολούθηση με σκόπιμα ενσωματωμένες αποτυχίες. Η λειτουργική τηλεμετρία πρέπει να αποκαλύπτει την ποιότητα εισόδου, τη συμπεριφορά εξόδου, την έκδοση του μοντέλου ή του κανόνα, την υγεία των εξαρτήσεων, τις ανθρώπινες παρεμβάσεις και τα επιβεβαιωμένα αποτελέσματα χωρίς τη συλλογή περιττών ευαίσθητων δεδομένων. Ορίστε όρια συναγερμού και υπεύθυνο απόκρισης, στη συνέχεια ελέγξτε τα πραγματικά στοιχεία μετά την υλοποίηση αντί να υποθέτετε ότι η εκτός σύνδεσης απόδοση θα παραμείνει. Επανεκτιμήστε όποτε αλλάζουν οι πηγές δεδομένων, οι χρήστες, τα μοντέλα, οι προμηθευτές, οι πολιτικές, το υλικό ή οι στόχοι. Ένα συντηρημένο σύστημα χρειάζεται επίσης τεκμηριωμένη αποκατάσταση, μάθηση από περιστατικά, διαδικασίες διαγραφής και διατήρησης, και ένα σαφές σημείο όπου πρέπει να απενεργοποιηθεί ή να αντικατασταθεί.
Συχνές ερωτήσεις
Είναι η υπολογιστική όραση το ίδιο με την αναγνώριση εικόνας;
Όχι. Η αναγνώριση εικόνας συνήθως αναφέρεται στην ταξινόμηση ή την ταυτοποίηση. Η υπολογιστική όραση περιλαμβάνει επίσης τον εντοπισμό, τη διαχωριστική ανάλυση, τη μέτρηση, την παρακολούθηση, την ανακατασκευή, τη δημιουργία και τη λογική πάνω σε οπτικές πληροφορίες.
Βλέπει ένα σύστημα όρασης όπως ένας άνθρωπος;
Όχι. Ένα μοντέλο επεξεργάζεται αριθμητικές εισόδους σύμφωνα με την αρχιτεκτονική και τον εκπαιδευτικό του στόχο. Μπορεί να υπερβαίνει τους ανθρώπους σε ένα στενό benchmark, ενώ αποτυγχάνει σε μικρές αλλαγές που ένας άνθρωπος διαχειρίζεται εύκολα.
Κύριες αναφορές
