コンピューター ビジョン - AI が世界の見方を学ぶ方法

コンピューター ビジョン - AI が世界の見方を学ぶ方法

写真をひと目見ると、ビーチにいる犬が写っていることがすぐにわかります。コンピューターにとって、その同じ画像は単なる数字の巨大なグリッドにすぎません。 コンピューター ビジョンは、機械に数値から意味を抽出するよう教える AI の分野であり、すでに周囲の業界を再構築しつつあります。

コンピュータがどのように「見る」か

写真を見ると、脳は形、色、奥行きを瞬時に認識します。コンピューター その直感がまったくありません。代わりに、生の数値を処理します。

デジタル画像は ピクセルのグリッドです。各ピクセルにはカラー値が保存されます (通常は 3 つ) チャンネル: 赤、緑、青 (RGB)。 1920 × 1080 HD 画像には 200 万以上のピクセルが含まれており、 それぞれに 0 ～ 255 の範囲の 3 つの値があります。それらを掛け合わせて単一フレームにすることもできます。 何百万もの数字が含まれています。

解像度は、グリッドがどの程度詳細をキャプチャするかを決定します。解像度が高いほどピクセル数が多くなります より詳細な情報が得られるだけでなく、AI が処理するデータもはるかに多くなります。 4K 画像には 4 倍の解像度があります。 これは、計算コストが 4 倍になることを意味します。

グレースケール画像にはチャンネル (明るさ) が 1 つだけありますが、一部の特殊な形式 - 衛星画像や医療スキャン - 目に見えない波長を捕捉するチャンネルが数十個ある場合があります 人間の目には。

畳み込みニューラル ネットワーク (CNN)

コンピューター ビジョンの初期の試みは、手作りのルールに依存していました。「ここでエッジを探し、これに一致する」 そこにテンプレートがあります。」こうした脆弱なアプローチは、シーンが変わるたびに失敗しました。最新のシステムでは、 畳み込みニューラル ネットワーク (CNN)。何千ものラベル付けされたものから独自のルールを学習します。 例。

CNN をパターン検出器の組み立てラインとして考えてください。各層はその前の層の上に構築されます。

1. 畳み込みレイヤー は、画像全体で小さなフィルターをスライドさせ、次のような単純なパターンを検出します。 エッジ、コーナー、テクスチャ。
2. プーリングレイヤー はデータを縮小し、最も重要な信号のみを保持し、破棄します。 冗長な詳細。
3. より深い畳み込みレイヤー は、これらの単純なパターンをより複雑な特徴 (目、 車輪、文字。
4. 完全に接続されたレイヤー は、すべての機能をまとめて最終的な決定を下します - 「これは 猫」または「これは腫瘍です。」

素晴らしいのは、これらのフィルターを手動でプログラムする人がいないということです。ネットワークはトレーニング中にそれらを学習し、ランダムなノイズから始めて、有用な検出器へと徐々に鮮明にしていきます。

分類、検出、およびセグメンテーション

コンピューター ビジョンは、次の 3 つの徐々に困難なタスクに取り組みます。

|タスク |質問に答える |例 | |------|--------|----------| | 画像の分類 |この画像には何が写っていますか? | 「このレントゲンは肺炎を示しています。」 | | 物体検出 |この画像には何が、どこにあるのでしょうか? |街路シーンですべての歩行者の周囲にボックスを描画します。 | | セマンティック セグメンテーション |どのピクセルがどのオブジェクトに属しているか? |道路、歩道、車、空のすべてのピクセルを異なる色で着色します。 |

自動運転車には、物体の分類、正確な位置の特定、そして物体の位置特定という 3 つすべてが同時に必要です。 シーン全体をピクセルごとに理解します。