التعلم العميق في الرؤية الحاسوبية: ثورة في تطبيقات الذكاء الاصطناعي

يتم إدراج Deep learning in computer vision: Revolutionising AI applications بواسطة BTW Media لأن الأدلة المنشورة تربطه بالبنية التحتية للإنترنت أو الحوكمة أو التبعيات التشغيلية أو رؤية السوق.

تكمن أهمية التعلم العميق في الرؤية الحاسوبية في قدرته القوية على تعلم الميزات وتمثيلها، ونهج التعلم من البداية إلى النهاية، والحاجة إلى بيانات وحوسبة واسعة النطاق، ومجموعة واسعة من سيناريوهات التطبيق. يعزز تصنيف الصور القائم على التعلم العميق محركات البحث، ومراجعة المحتوى، وتصنيف المنتجات في المنصات عبر الإنترنت. كما تعزز تقنيات التعرف على الكيانات والتعرف على الوجوه القائمة على التعلم العميق الدقة والكفاءة في مهام مثل الكشف في الوقت الفعلي، والمراقبة الأمنية، والتحكم في الوصول، والأنظمة الآلية. التعلم العميق والرؤية الحاسوبية هما مجالان رئيسيان للاهتمام في مجال الذكاء الاصطناعي اليوم.

لقد حقق التعلم العميق، كطريقة للتعلم الآلي، نجاحًا كبيرًا في مجالات معالجة الصور والصوت واللغة الطبيعية بفضل قدرته القوية على تعلم الميزات وتمثيلها. من ناحية أخرى، الرؤية الحاسوبية هي فرع مهم من الذكاء الاصطناعي، تهدف إلى تمكين أجهزة الكمبيوتر من "قراءة" الصور ومقاطع الفيديو مثل البشر والاستجابة وفقًا لذلك. اقرأ أيضًا: من هو ديميس هاسابيس؟ المؤسس المشارك لـ DeepMind أهمية التعلم العميق في الرؤية الحاسوبية التعلم العميق هو نهج للتعلم الآلي يتمثل جوهره في تعلم تمثيلات الميزات للبيانات من خلال بناء نماذج شبكات عصبية متعددة المستويات.

مقارنة بخوارزميات التعلم الآلي التقليدية، تمتلك نماذج التعلم العميق قدرات تعبيرية أكثر قوة ويمكنها تعلم تمثيلات ميزات معقدة تلقائيًا من البيانات الأولية واستخدام هذه التمثيلات لأداء مهام مثل التصنيف والانحدار والتجميع. تتضمن نماذج التعلم العميق عادةً طبقة إدخال، وطبقات مخفية متعددة، وطبقة إخراج، حيث يتم تعلم أوزان الاتصال بين الطبقات المخفية تلقائيًا من بيانات التدريب، ويتم ضبط معلمات النموذج باستمرار لتقليل دالة الخسارة من خلال خوارزمية الانتشار العكسي. الرؤية الحاسوبية هي فرع من مجالات الذكاء الاصطناعي يهدف إلى تمكين أجهزة الكمبيوتر من الحصول على المعلومات من الصور ومقاطع الفيديو وفهمها وتفسيرها.

الهدف من الرؤية الحاسوبية هو تمكين أجهزة الكمبيوتر من "رؤية" الصور ومقاطع الفيديو كما يفعل البشر، والحصول على معلومات مفيدة منها. تشمل المهام الرئيسية للرؤية الحاسوبية تصنيف الصور، واكتشاف الأهداف، وتجزئة الصور، وتقدير الوضع، وتقدير العمق، وغير ذلك. أصبح التعلم العميق أحد التقنيات الرئيسية التي تدفع التطور السريع لمجال الرؤية الحاسوبية. تمتلك نماذج التعلم العميق قدرات قوية على تعلم الميزات وتمثيلها ويمكنها تعلم تمثيلات ميزات معقدة تلقائيًا من البيانات الأولية، خاصة الشبكات العصبية التلافيفية (CNN)، التي يمكنها تعلم تمثيلات الميزات المناسبة للمهمة تلقائيًا، مما يحسن بشكل كبير دقة وتعميم مهام الرؤية الحاسوبية.

يمكن لنماذج التعلم العميق إجراء التعلم من البداية إلى النهاية مباشرة من البيانات الأولية، مما يلغي الحاجة إلى تصميم مستخرجي الميزات يدويًا ويبسط عملية مهام الرؤية الحاسوبية. تتطلب نماذج التعلم العميق عادةً كمية كبيرة من البيانات المصنفة للتدريب وتتطلب عادةً موارد حوسبة واسعة النطاق لتدريب النموذج وتحسينه. حقق التعلم العميق نجاحًا كبيرًا في مهام الرؤية الحاسوبية مثل تصنيف الصور، واكتشاف الأهداف، وتوليد الصور، وقد استُخدم على نطاق واسع في تحليل الصور الطبية، والمراقبة الذكية، والقيادة الذاتية، والواقع الافتراضي. اقرأ أيضًا: كيفية استخدام Google DeepMind في مجالات مختلفة سيناريوهات التعلم العميق في الرؤية الحاسوبية 1.

تصنيف الصور يتضمن مبدأ تطبيق تصنيف الصور ثلاث خطوات رئيسية: استخراج الميزات، وتدريب النموذج، والاستدلال. أولاً، استخراج الميزات هو الخطوة الأساسية، من خلال نماذج مثل الشبكة العصبية التلافيفية (CNN)، يمكن للشبكة استخراج الميزات المحلية والعالمية للصورة تدريجيًا لتحقيق تمثيل مجرد لمحتوى الصورة. ثانيًا، تستخدم مرحلة تدريب النموذج بيانات تدريب مع تسميات، وتقيس الفرق بين مخرجات النموذج والتسميات الحقيقية عن طريق تعريف دالة خسارة، وتستخدم خوارزميات الانتشار العكسي والمحسنات لضبط معلمات النموذج باستمرار حتى يتمكن النموذج من تعلم تمثيلات الميزات وقوانين التصنيف المناسبة.

أخيرًا، في مرحلة الاستدلال، يُستخدم النموذج المُدرّب لتصنيف الصورة الجديدة الموثقة علنًا واختيار الفئة ذات الاحتمالية الأعلى كنتيجة تصنيف للصورة. تستخدم محركات البحث مثل Google و Bing خوارزميات التعلم العميق لتقديم نتائج بحث دقيقة وذات صلة بناءً على استعلامات الصور. وبالمثل، تستخدم منصات مراجعة المحتوى مثل Facebook و YouTube التعلم العميق لوضع علامات تلقائية على المحتوى غير المناسب وإزالته. تستخدم منصات التسوق عبر الإنترنت عادةً تقنيات تصنيف الصور لتحديد صور المنتجات تلقائيًا وتصنيفها إلى فئات منتجات مناسبة، مما يحسن دقة بحث المنتج وتجربة المستخدم.

على سبيل المثال، تستخدم وظيفة بحث المنتجات في Amazon تقنية تصنيف الصور لتحديد الكيانات والميزات في صور المنتجات والتوصية تلقائيًا بالمنتجات ذات الصلة للمستخدمين. 2. التعرف على الكيانات تتطلب المرحلة الأولى شبكة اقتراح المناطق (RPN)، التي توفر عدة مناطق مرشحة تحتوي على كيانات مهمة. الخطوة الثانية هي إرسال مقترحات المناطق إلى بنية المصنف العصبي، عادةً خوارزمية التجميع الهرمي القائمة على RCNN أو تجميع منطقة الاهتمام (ROI) في Fast RCNN. هذه الإجراءات دقيقة جدًا ولكنها بطيئة جدًا. مع الحاجة إلى الكشف عن الكيانات في الوقت الفعلي، ظهرت بنيات كشف الكيانات ذات الخطوة الواحدة مثل YOLO (you only look once) و RetinaNet.

تجمع هذه بين خطوات التحديد والتصنيف عن طريق انحدار الافتراضات المحيطة. يتم تمثيل كل صندوق محيط ببضعة إحداثيات فقط، مما يسهل الجمع بين خطوات الكشف والتصنيف وتسريع المعالجة. 3. التعرف على الوجوه الخطوة الأولى في التعرف على الوجوه هي اكتشاف الوجه، مما يعني تحديد موقع الوجه بدقة في الصورة من صورة أو فيديو. يمكن لتقنيات التعلم العميق تحقيق اكتشاف دقيق للوجوه في الصور من خلال نماذج مثل الشبكات العصبية التلافيفية (CNN). نماذج اكتشاف الوجه النموذجية مثل R-CNN و Fast R-CNN و Faster R-CNN و YOLO. تحقق هذه النماذج تحديدًا دقيقًا لموضع الوجه عن طريق تمرير نافذة ذات حجم ثابت فوق الصورة ثم استخدام الشبكات العصبية التلافيفية لاستخراج الميزات وتصنيفها.

بعد اكتشاف الوجه، الخطوة التالية هي استخراج ميزات الوجه المكتشف. تُستخدم عادةً نماذج التعلم العميق المُدرّبة مسبقًا (مثل ResNet و MobileNet) كمستخلصات ميزات، ويتم الحصول على تمثيل الميزة المجردة للوجه في الصورة عن طريق إدخال صورة الوجه في هذه النماذج. أخيرًا، يتم إجراء مطابقة الوجه للتعرف على الوجوه من خلال مقارنة تمثيلات ميزات الوجه المستخرجة. تشمل طرق مطابقة الوجه المسافة الإقليدية وتشابه جيب التمام. عادةً، يخزن النظام بعض متجهات ميزات الوجه المعروفة مسبقًا ثم يقارن ميزات الوجه المراد التعرف عليها مع الميزات المعروفة، ويحدد ما إذا كانت المطابقة ناجحة عن طريق تعيين عتبة.

في الممارسة العملية، تُستخدم تقنية التعرف على الوجوه على نطاق واسع في المراقبة الأمنية، وأنظمة التحكم في الوصول، والدفع بالوجه، وفتح القفل بالوجه، وغيرها من المجالات.