لم يعد العالم كما هو منذ أن بدأت أجهزة الكمبيوتر في النظر إلى الأشياء وتفسيرها. من العناصر المسلية التي يمكن أن تكون بسيطة مثل مرشح Snapchat الذي ينتج لحية مضحكة على وجهك إلى الأنظمة المعقدة التي تكتشف بشكل مستقل وجود أورام دقيقة من تقارير الفحص ، تلعب رؤية الكمبيوتر دورًا رئيسيًا في تطور البشرية.
ومع ذلك ، بالنسبة لنظام ذكاء اصطناعي غير مدرب ، فإن العينة المرئية أو مجموعة البيانات التي يتم إدخالها فيه لا تعني شيئًا. يمكنك تغذية صورة وول ستريت الصاخبة أو صورة الآيس كريم ، لن يعرف النظام ما هما الاثنان. هذا لأنهم لم يتعلموا كيفية تصنيف الصور والعناصر المرئية وتقسيمها بعد.
الآن ، هذه عملية معقدة للغاية وتستغرق وقتًا طويلاً وتتطلب اهتمامًا دقيقًا بالتفاصيل والعمل. هذا هو المكان الذي يأتي فيه خبراء التعليقات التوضيحية للبيانات ويقومون يدويًا بإسناد أو وضع علامة على كل بايت من المعلومات الموجودة على الصور للتأكد من أن نماذج الذكاء الاصطناعي تتعلم بسهولة العناصر المختلفة في مجموعة البيانات المرئية. عندما يتدرب الكمبيوتر على بيانات مشروحة ، فإنه يميز بسهولة منظرًا طبيعيًا عن منظر مدينة ، وحيوانًا ، وطائرًا ، ومشروبًا وطعامًا ، والتصنيفات المعقدة الأخرى.
الآن بعد أن عرفنا ذلك ، كيف يصنف المعلقون على البيانات عناصر الصورة وعلاماتها؟ هل هناك أي تقنيات محددة يستخدمونها؟ إذا نعم، ما هم؟
حسنًا ، هذا هو بالضبط موضوع هذا المنشور - شرح الصورة أنواعها ومزاياها وتحدياتها وحالات استخدامها.
أنواع التعليقات التوضيحية للصور
يمكن تصنيف تقنيات التعليق التوضيحي للصور لرؤية الكمبيوتر إلى خمس فئات رئيسية:
- كشف الكائن
- كشف الخط
- كشف المعالم
- تقسيم
- تصنيف الصورة
كشف الكائن
كما يوحي الاسم ، فإن الهدف من اكتشاف الكائن هو مساعدة أجهزة الكمبيوتر ونماذج الذكاء الاصطناعي على تحديد كائنات مختلفة في الصور. لتحديد الكائنات المتنوعة ، ينشر خبراء التعليقات التوضيحية للبيانات ثلاث تقنيات بارزة:
- مربعات إحاطة ثنائية الأبعاد: حيث يتم رسم المربعات المستطيلة فوق كائنات مختلفة في الصور وتمييزها.
- مربعات إحاطة ثنائية الأبعاد: حيث يتم رسم مربعات ثلاثية الأبعاد فوق الكائنات لإبراز عمق الكائنات أيضًا.
- المضلعات: حيث يتم تسمية الكائنات غير المنتظمة والفريدة من خلال تمييز حواف الكائن وربطها معًا في النهاية لتغطية شكل الكائن.
المزايا
- تقنيات الصناديق المحيطة ثنائية وثلاثية الأبعاد بسيطة جدًا ويمكن تمييز الكائنات بسهولة.
- توفر المربعات المحيطة ثلاثية الأبعاد مزيدًا من التفاصيل مثل اتجاه كائن ، وهو غائب في تقنية المربعات المرتبطة ثنائية الأبعاد.
سلبيات كشف الأشياء
- تتضمن المربعات المحيطة ثنائية وثلاثية الأبعاد أيضًا بكسلات خلفية ليست في الواقع جزءًا من كائن. هذا يشوه التدريب بطرق متعددة.
- في تقنية المربعات المحيطة ثلاثية الأبعاد ، يفترض أصحاب التعليقات التوضيحية في الغالب عمق الكائن. هذا أيضا يؤثر بشكل كبير على التدريب.
- يمكن أن تستغرق تقنية المضلع وقتًا طويلاً إذا كان الكائن شديد التعقيد.
كشف الخط
تُستخدم هذه التقنية لتقسيم الخطوط والحدود في الصور أو التعليق عليها أو تحديدها. على سبيل المثال ، الممرات على طريق المدينة.
المزايا
الميزة الرئيسية لهذه التقنية هي أنه يمكن اكتشاف وحدات البكسل التي لا تشترك في حد مشترك والتعليق عليها أيضًا. يعد هذا مثاليًا لإضافة تعليق توضيحي على الأسطر القصيرة أو المسدودة.
عيوب
- إذا كان هناك عدة سطور ، فإن العملية تصبح أكثر استهلاكا للوقت.
- يمكن أن تعطي الخطوط أو الكائنات المتداخلة معلومات ونتائج مضللة.
كشف المعالم
لا تعني المعالم في التعليقات التوضيحية للبيانات الأماكن ذات الاهتمامات أو الأهمية الخاصة. إنها نقاط خاصة أو أساسية في الصورة التي تحتاج إلى شرح. قد تكون هذه ملامح الوجه أو القياسات الحيوية أو أكثر. يُعرف هذا أيضًا باسم تقدير الوضع.
المزايا
إنه مثالي لتدريب الشبكات العصبية التي تتطلب إحداثيات دقيقة لنقاط المعالم.
عيوب
هذا يستغرق وقتًا طويلاً حيث يجب شرح كل نقطة أساسية دقيقة بدقة.
تقسيم
عملية معقدة ، حيث يتم تصنيف صورة واحدة إلى مقاطع متعددة لتحديد الجوانب المختلفة فيها. يتضمن ذلك اكتشاف الحدود وتحديد موقع الكائنات والمزيد. لإعطائك فكرة أفضل ، إليك قائمة بأساليب التجزئة البارزة:
- التجزئة الدلالية: حيث يتم شرح كل بكسل في الصورة بمعلومات مفصلة. حاسمة بالنسبة للنماذج التي تتطلب السياق البيئي.
- تجزئة المثيل: حيث يتم شرح كل مثيل من عنصر في الصورة للحصول على معلومات دقيقة.
- تجزئة Panoptic: حيث يتم تضمين التفاصيل من تجزئة الدلالات والمثيلات والتعليق عليها في الصور.
المزايا
- هذه التقنيات تبرز أفضل المعلومات من الأشياء.
- يضيفون المزيد من السياق والقيمة لأغراض التدريب ، مما يؤدي في النهاية إلى تحسين النتائج.
عيوب
هذه الأساليب كثيفة العمالة ومملة.
تصنيف الصور
يتضمن تصنيف الصور تحديد العناصر في كائن وتصنيفها إلى فئات كائن محددة. تختلف هذه التقنية كثيرًا عن تقنية اكتشاف الكائن. في الأخير ، يتم تحديد الأشياء فقط. على سبيل المثال ، يمكن ببساطة تعليق صورة قطة كحيوان.
ومع ذلك ، في تصنيف الصور ، يتم تصنيف الصورة على أنها قطة. بالنسبة للصور التي تحتوي على حيوانات متعددة ، يتم اكتشاف كل حيوان وتصنيفه وفقًا لذلك.
المزايا
- يعطي الآلات مزيدًا من التفاصيل حول ماهية الكائنات في مجموعات البيانات.
- تساعد النماذج على التمييز بدقة بين الحيوانات (على سبيل المثال) أو أي عنصر خاص بالنموذج.
عيوب
يتطلب مزيدًا من الوقت لخبراء التعليقات التوضيحية على البيانات لتحديد جميع عناصر الصورة وتصنيفها بعناية.
استخدام حالات تقنيات التعليق التوضيحي للصور في رؤية الكمبيوتر
| تقنية شرح الصورة | استخدم حالات |
|---|---|
| مربعات إحاطة ثنائية وثلاثية الأبعاد | مثالي للتعليق على صور المنتجات والسلع لأنظمة التعلم الآلي لتقدير التكاليف والمخزون وغير ذلك. |
| المضلعات | نظرًا لقدرتها على وضع تعليقات توضيحية على الأشياء والأشكال غير المنتظمة ، فهي مثالية لوضع علامات على الأعضاء البشرية في سجلات التصوير الرقمي مثل الأشعة السينية والتصوير المقطعي المحوسب وغير ذلك. يمكن استخدامها لتدريب الأنظمة على اكتشاف العيوب والتشوهات من مثل هذه التقارير. |
| التجزئة الدلالي | تستخدم في مساحة السيارة ذاتية القيادة ، حيث يمكن تمييز كل بكسل مرتبط بحركة السيارة بدقة. تصنيف الصور قابل للتطبيق في السيارات ذاتية القيادة ، حيث يمكن استخدام بيانات المستشعرات للكشف والتمييز بين الحيوانات والمشاة وأجسام الطرق والممرات وغير ذلك. |
| كشف المعالم | تستخدم لاكتشاف ودراسة المشاعر البشرية ولتطوير أنظمة التعرف على الوجه. |
| خطوط ومفاتيح | مفيد في المستودعات ووحدات التصنيع ، حيث يمكن وضع حدود للروبوتات لأداء المهام الآلية. |
في المخص:
كما ترى ، رؤية الكمبيوتر معقد للغاية. هناك الكثير من التعقيدات التي يجب العناية بها. على الرغم من أن هذه الأمور تبدو صعبة ، إلا أن هناك تحديات إضافية تشمل توافر بيانات عالية الجودة في الوقت المناسب ، وخالية من الأخطاء شرح البيانات العمليات وسير العمل والخبرة الموضوعية للمضيفين وغير ذلك.
ومع ذلك ، فإن شركات شرح البيانات مثل شيب يقومون بعمل هائل في تقديم مجموعات بيانات عالية الجودة للشركات التي تطلبها. في الأشهر المقبلة ، يمكننا أيضًا رؤية التطور في هذا الفضاء ، حيث يمكن لأنظمة التعلم الآلي أن تعلق بدقة على مجموعات البيانات من تلقاء نفسها بدون أخطاء.
