Telefonas atsirakina vos į jį pažiūrėjus. Gamyba sustoja, kai aptinkamas defektas. Radiologas gauna antrą nuomonę iš programinės įrangos, išanalizavusios milijonus vaizdų. Visa tai – kompiuterinė rega: sritis, leidžianti kompiuteriams apdoroti ir suprasti vaizdinę informaciją taip, kaip tai daro žmonės, o kai kuriais atvejais – dar geriau.
Viskas prasideda nuo pikselių
Kompiuteriui vaizdas – tai skaičių lentelė. Kiekvienas pikselis turi skaitinę reikšmę, nusakančią jo spalvą ir ryškumą. Kompiuterinė rega – tai dirbtinio intelekto sritis, kurios tikslas šiuos skaičius paversti prasminga informacija: identifikuoti, kas vaizduojama, kur objektas vaizduojamas ir kas vaizde vyksta.
Anksčiau tam reikėjo rankiniu būdu sukurtų taisyklių: „jei šioje srityje yra x spalvos, apvalios formos objektas – tai veidas." Šiuolaikinė kompiuterinė rega naudoja konvoliucinius neuroninius tinklus – giliojo mokymosi modelių tipą, kuris automatiškai išmoksta atpažinti požymius, pavyzdžiui, kraštus, tekstūras ir formas, mokydamasis iš didelių paženklintų vaizdų duomenų rinkinių. Rezultatas – sistemos, identifikuojančios objektus ir dėsningumus kur kas patikimiau nei taisyklėmis grįsti metodai.
Objektų aptikimas – daiktų paieška vaizduose
Objektų aptikimu nustatoma, kokie objektai yra vaizde ir kur jie yra, kiekvieną iš jų apvedant aprėpties langeliu. Tai matote kiekvieną kartą, kai fotoaparatas automatiškai pažymi veidus nuotraukoje arba kai apsaugos kamera aptinka į privačią teritoriją patekusį asmenį. Mažmeninėje prekyboje ta pati technologija seka, kuriuos produktus klientai paima ir padeda atgal ant lentynų. Sandėliuose ji padeda robotinėms rankoms rasti reikiamas prekes.
Vaizdų atpažinimas – kas vaizduojama
Jei objektų aptikimas suranda ir lokalizuoja, tai vaizdų atpažinimas klasifikuoja. Pateikus vaizdą, jis atsako: kas tai? Dermatologijos programėlės, analizuojančios odos pažeidimus, gamybos sistemos, rūšiuojančios produktus pagal vaizdinę kokybę, turinio moderavimo įrankiai, automatiškai žymintys netinkamus vaizdus – visa tai veikia vaizdų atpažinimo principu. Ši funkcija leidžia jums naudoti paieškos funkciją savo galerijoje, sėkmingai randant nuotraukas, kuriose vaizduojamas jūsų šuo ar katė.
Semantinis segmentavimas – viso vaizdo supratimas
Segmentavimas skirtas dar gilesniam supratimui, nei aptikimas: užuot apvedęs objektą langeliu, jis identifikuoja kiekvieną langelyje esantį pikselį. Semantinis segmentavimas priskiria kiekvienam vaizdo pikseliui kategoriją: kelias, automobilis, pėsčiasis, pastatas. Toks detalumo lygis būtinas autonominių automobilių saugumui užtikrinti – reikia žinoti ne tik tai, kad šalia yra žmogus, bet ir tiksliai, kur yra jo kontūras ir kiek vietos jis užima.
Optinis simbolių atpažinimas – teksto skaitymas vaizduose
Optinis simbolių atpažinimas (OSA) vaizduose esantį tekstą paverčia redaguojamu skaitmeniniu tekstu. Kiekvieną kartą, kai nufotografuojate dokumentą ir telefonas leidžia nukopijuoti jame esantį tekstą, arba kai pasienio kontrolė automatiškai nuskaito pasą, veikia OSA. Tai taip pat leidžia bankams automatiškai apdoroti sąskaitas ir leidžia ieškoti informacijos skenuotų dokumentų archyve.
Kompiuterinės regos perspektyvos
Kompiuterinė rega – viena sparčiausiai besivystančių DI sričių. Ta pati pagrindinė technologija, kuri nuskaito automobilių numerius ir skaičiuoja sandėlio atsargas, dabar taikoma medicininei diagnostikai: ji anksčiau nei žmonės aptinka navikus vaizduose, analizuoja akių tinklainės vaizdus, ieškodama ankstyvųjų diabeto požymių, skaičiuoja ląsteles patologijos mėginiuose. Dėsningumas pastovus: pasirenkama užduotis, kurią atlieka kruopščiausi ir atidžiausi specialistai, ir klausiama, ar apmokytas modelis galėtų padėti ją atlikti greičiau, nuosekliau ar didesniu mastu.
Visus šiame straipsnyje vartojamus DI terminus ir dar daugiau rasite DI žodyne →