Computer vision
Computer Vision - Hoe AI leert de wereld te zien
Je werpt een blik op een foto en weet meteen dat er een hond op het strand staat. Voor een computer is diezelfde afbeelding niets meer dan een enorm raster van getallen. Computer vision is de tak van AI die machines leert om betekenis uit die getallen te halen - en het hervormt nu al de industrieën om je heen.
Hoe computers "zien"
Wanneer je naar een foto kijkt, herkent je brein onmiddellijk vormen, kleuren en diepte. Een computer heeft niets van die intuïtie. In plaats daarvan werkt hij met ruwe getallen.
Een digitale afbeelding is een raster van pixels. Elke pixel slaat kleurwaarden op - doorgaans drie kanalen: rood, groen en blauw (RGB). Een 1920 × 1080 HD-afbeelding bevat meer dan twee miljoen pixels, elk met drie waarden variërend van 0 tot 255. Vermenigvuldig die allemaal en zelfs één enkel beeld bevat miljoenen getallen.
Resolutie bepaalt hoeveel detail het raster vastlegt. Een hogere resolutie betekent meer pixels en rijker detail - maar ook veel meer data voor de AI om te verwerken. Een 4K-afbeelding heeft vier keer zoveel pixels als HD, wat vier keer zoveel rekenkracht kost.
Grijswaardenafbeeldingen hebben slechts één kanaal (helderheid), terwijl sommige gespecialiseerde formaten - zoals satellietbeelden of medische scans - tientallen kanalen kunnen hebben die golflengten vastleggen die onzichtbaar zijn voor het menselijk oog.
Het menselijk oog kan ongeveer 10 miljoen kleuren onderscheiden. Een standaard 8-bit RGB-afbeelding kan meer dan 16,7 miljoen unieke kleurcombinaties weergeven - meer dan we daadwerkelijk kunnen waarnemen!
Convolutionele neurale netwerken (CNNs)
Vroege pogingen tot computer vision berustten op handgemaakte regels - "zoek hier naar randen, vergelijk daar met dit sjabloon." Deze kwetsbare aanpakken faalden zodra de scène veranderde. Moderne systemen gebruiken convolutionele neurale netwerken (CNNs), die hun eigen regels leren uit duizenden gelabelde voorbeelden.
Stel je een CNN voor als een lopende band van patroondetectors, waarbij elke laag voortbouwt op de vorige:
- Convolutielagen schuiven kleine filters over de afbeelding en detecteren eenvoudige patronen zoals randen, hoeken en texturen.
- Pooling-lagen verkleinen de data en behouden alleen de belangrijkste signalen terwijl overtollige details worden weggegooid.
Discussion
Sign in to join the discussion