คอมพิวเตอร์วิชั่น คืออะไร?

คอมพิวเตอร์วิชั่น คืออะไร?

อัลกอริทึมคอมพิวเตอร์วิชั่นเป็นหนึ่งในระบบ AI ที่เปลี่ยนแปลงและทรงพลังที่สุดในโลกในขณะนี้ ระบบคอมพิวเตอร์วิชั่น ใช้ในรถยนต์ไร้คนขับ การนำทางหุ่นยนต์ ระบบการรู้จำใบหน้า และอื่นๆ อย่างไรก็ตาม คอมพิวเตอร์วิชั่นเป็นอย่างไร? มันทำงานอย่างไร? เพื่อตอบคำถามเหล่านี้ เราจะพูดถึงทฤษฎีเบื้องหลังของคอมพิวเตอร์วิชั่น อัลกอริทึมคอมพิวเตอร์วิชั่น และการประยุกต์ใช้ระบบคอมพิวเตอร์วิชั่น

ระบบคอมพิวเตอร์วิชั่นทำงานอย่างไร?

เพื่อให้เข้าใจระบบคอมพิวเตอร์วิชั่นอย่างเต็มที่ มาทำความเข้าใจกันก่อนว่ามนุษย์รู้จักวัตถุอย่างไร ทฤษฎีที่ดีที่สุดของจิตวิทยาสำหรับการรู้จักวัตถุคือแบบจำลองที่อธิบายระยะแรกของ การรู้จักวัตถุ เป็นกระบวนการที่ส่วนประกอบพื้นฐานของวัตถุ เช่น รูปทรง สี และความลึกถูกตีความโดยสมองก่อน สัญญาณจากตาที่เข้าสมองถูกวิเคราะห์เพื่อดึงขอบของวัตถุออกมา และขอบเหล่านั้นถูกเชื่อมต่อเข้าด้วยกันเพื่อสร้างรูปทรงที่สมบูรณ์ของวัตถุ

ระบบคอมพิวเตอร์วิชั่นทำงานในลักษณะที่คล้ายกับระบบการมองเห็นของมนุษย์ โดยการระบุขอบของวัตถุก่อนแล้วจึงเชื่อมต่อขอบเหล่านั้นเข้าด้วยกันเพื่อสร้างรูปทรงของวัตถุ ความแตกต่างหลักคือเนื่องจากคอมพิวเตอร์ตีความภาพเป็นตัวเลข ระบบคอมพิวเตอร์วิชั่นจึงต้องมีวิธีในการตีความพิกเซลแต่ละพิกเซลในภาพ ระบบจะกำหนดค่าให้กับพิกเซลในภาพและโดยการตรวจสอบความแตกต่างของค่าระหว่างพื้นที่พิกเซลหนึ่งและอีกพื้นที่หนึ่ง คอมพิวเตอร์สามารถระบุขอบได้ ตัวอย่างเช่น หากภาพเป็นภาพขาวดำ ค่าเหล่านั้นจะอยู่ในช่วงตั้งแต่สีดำ (แสดงเป็น 0) ถึงสีขาว (แสดงเป็น 255) การเปลี่ยนแปลงค่าพิกเซลที่อยู่ใกล้กันจะบ่งบอกถึงขอบ

หลักการนี้สามารถใช้กับภาพสีได้ โดยคอมพิวเตอร์เปรียบเทียบความแตกต่างระหว่างช่องสี RGB ที่แตกต่างกัน เมื่อเรารู้แล้วว่าระบบคอมพิวเตอร์วิชั่นตรวจสอบค่าพิกเซลเพื่อตีความภาพ ลองมาดูโครงสร้างของระบบคอมพิวเตอร์วิชั่น

Convolutional Neural Networks (CNNs)

ประเภท AI หลักในการทำงานคอมพิวเตอร์วิชั่นคือ Convolutional Neural Networks สิ่งที่เรียกว่า convolution คืออะไร?

Convolution เป็นกระบวนการทางคณิตศาสตร์ที่เครือข่ายใช้เพื่อกำหนดความแตกต่างของค่าระหว่างพิกเซล หากคุณนึกภาพเป็นกริดของพิกเซล คุณจะเห็นกริดที่เล็กกว่ากำลังเลื่อนไปตามกริดหลัก ค่าพิกเซลที่อยู่ใต้กริดที่เล็กกว่านั้นกำลังถูกวิเคราะห์โดยเครือข่าย ดังนั้นเครือข่ายจึงตรวจสอบพิกเซลเพียงไม่กี่พิกเซลในแต่ละครั้ง ซึ่งเรียกว่าเทคนิค “sliding windows” ค่าพิกเซลที่กำลังถูกวิเคราะห์โดยหน้าต่างเลื่อนจะถูกสรุปโดยเครือข่าย ซึ่งช่วยลดความซับซ้อนของภาพและทำให้เครือข่ายสามารถดึงรูปแบบออกมาได้ง่ายขึ้น

Convolutional Neural Networks แบ่งออกเป็นสองส่วนหลัก คือส่วน convolutional และส่วน fully connected ส่วน convolutional ของเครือข่ายเป็นตัวดึงคุณลักษณะที่มีหน้าที่วิเคราะห์พิกเซลในภาพและสร้างการแสดงออกที่ชั้นเชื่อมต่ออย่างหนาแน่นของเครือข่ายสามารถเรียนรู้รูปแบบจากได้ ชั้น convolutional เริ่มต้นด้วยการตรวจสอบพิกเซลและดึงคุณลักษณะระดับต่ำของภาพ เช่น ขอบ ในชั้น convolutional หลังๆ จะเชื่อมขอบเข้าด้วยกันเพื่อสร้างรูปทรงที่ซับซ้อนมากขึ้น เมื่อถึงท้ายที่สุด เครือข่ายจะหวังว่าจะมีการแสดงออกที่มีขอบและรายละเอียดของภาพที่สามารถส่งไปยังชั้นเชื่อมต่อได้

การทำเครื่องหมายภาพ

แม้ว่า Convolutional Neural Network จะสามารถดึงรูปแบบออกจากภาพได้โดยไม่ต้องมีการช่วยเหลือ แต่ความแม่นยำของระบบคอมพิวเตอร์วิชั่นสามารถปรับปรุงได้โดยการทำเครื่องหมายภาพ การทำเครื่องหมายภาพ เป็นกระบวนการของการเพิ่มเมตาดาต้าไปยังภาพเพื่อช่วยให้เครื่องจำแนกสามารถตรวจจับวัตถุสำคัญในภาพได้ การใช้การทำเครื่องหมายภาพมีความสำคัญทุกครั้งที่ระบบคอมพิวเตอร์วิชั่นต้องมีความแม่นยำสูง เช่น เมื่อควบคุมรถยนต์ไร้คนขับหรือหุ่นยนต์

มีหลายวิธีในการทำเครื่องหมายภาพเพื่อปรับปรุงประสิทธิภาพของเครื่องจำแนกภาพ การทำเครื่องหมายภาพมักทำด้วยการวาดกล่องที่ล้อมรอบขอบของวัตถุเป้าหมายและบอกคอมพิวเตอร์ให้โฟกัสความสนใจภายในกล่องนั้น การแบ่งส่วนเชิงความหมายเป็นวิธีการทำเครื่องหมายภาพอีกแบบหนึ่ง ซึ่งทำงานโดยการกำหนดชั้นเรียนภาพให้กับพิกเซลทุกพิกเซลในภาพ ในอีกคำหนึ่ง พิกเซลทุกพิกเซลที่สามารถถือว่าเป็น “หญ้า” หรือ “ต้นไม้” จะถูกป้ายกำกับว่าเป็นชั้นเรียนเหล่านั้น เทคนิคนี้ให้ความแม่นยำระดับพิกเซล แต่การสร้างการทำเครื่องหมายภาพแบ่งส่วนเชิงความหมายมีความซับซ้อนและใช้เวลานานกว่าการสร้างกล่องล้อมรอบวัตถุแบบง่ายๆ วิธีการทำเครื่องหมายอื่นๆ เช่น การใช้เส้นและจุด ก็มีอยู่ด้วย