- Computer Vision, oft als CV abgekürzt, wird als ein Forschungsbereich definiert, der Techniken entwickelt, um Computern zu helfen, den Inhalt digitaler Bilder wie Fotos und Videos zu „sehen“ und zu verstehen.
- Sie verwendet maschinelles Lernen, insbesondere Deep Learning, und Convolutional Neural Networks zur Analyse von Daten.
Computer Vision ist ein Bereich der KI, der maschinelles Lernen und neuronale Netze nutzt, um Computern und Systemen zu ermöglichen, aussagekräftige Informationen aus digitalen Bildern, Videos und anderen visuellen Eingaben zu extrahieren. Dadurch können sie Empfehlungen abgeben oder Maßnahmen als Reaktion auf erkannte Mängel oder Probleme ergreifen.
Was ist Computer Vision?
Computer Visionwendet maschinelles Lernen auf Bilder und Videos an, um Medien zu verstehen und darauf basierende Entscheidungen zu treffen. Im Wesentlichen verleiht sie Software und Technologie die Fähigkeit zu „sehen“.
Wenn KI Computern das Denken ermöglicht, ermöglicht ihnen Computer Vision das Sehen, Beobachten und Verstehen. Obwohl Computer Vision ähnlich wie das menschliche Sehen funktioniert, haben Menschen den Vorteil der kontextuellen Erfahrung, um Objekte zu unterscheiden, Entfernungen einzuschätzen, Bewegungen zu erkennen oder Bildanomalien zu identifizieren.
Wie funktioniert Computer Vision?
Computer Vision ist stark datenabhängig. Es analysiert Daten wiederholt, um Muster zu erkennen und schließlich Bilder zu identifizieren. Beispielsweise erfordert das Trainieren eines Computers zur Identifizierung von Autoreifen die Bereitstellung einer großen Anzahl von Reifenbildern und verwandter Artikel, damit er lernen kann, die Reifen zu unterscheiden und korrekt zu identifizieren, insbesondere solche ohne Mängel. Zwei Schlüsseltechnologien, die hierfür verwendet werden, sind Deep Learning und Convolutional Neural Networks (CNNs).
Maschinelles Lernen verwendet algorithmische Modelle, die es Computern ermöglichen, den Kontext visueller Daten autonom zu erlernen. Mit ausreichend Daten lernt der Computer, Bilder selbst zu unterscheiden, anstatt durch explizite Programmierung für die Bilderkennung.
Ein CNN hilft maschinellen Lern- oder Deep-Learning-Modellen, indem es Bilder in gekennzeichnete oder markierte Pixel zerlegt. Mithilfe dieser Kennzeichnungen führt das CNN Faltungen durch – eine mathematische Operation, die zwei Funktionen kombiniert, um eine dritte zu erzeugen – und sagt den Inhalt voraus, den es „sieht“. Das neuronale Netz verfeinert seine Vorhersagen durch iterative Faltungen, verbessert schrittweise die Genauigkeit, bis seine Vorhersagen mit der Realität übereinstimmen. Auf diese Weise nimmt es Bilder ähnlich der menschlichen Wahrnehmung wahr oder erkennt sie.
Auch lesen:Computer Vision durch autonomes Fahren erkunden
Auch lesen:Warum ist Computer Vision so schwierig?
Geschichte der Computer Vision
Etwa 60 Jahre lang haben Wissenschaftler und Ingenieure daran gearbeitet, Methoden zu entwickeln, die es Maschinen ermöglichen, visuelle Daten wahrzunehmen und zu verstehen. Die ersten Experimente im Jahr 1959 bestanden darin, dass Neurophysiologen Katzen Bildserien präsentierten, um die entsprechenden Gehirnreaktionen zu beobachten.
In den 1960er Jahren entstand die KI als akademische Disziplin, was den Beginn der Bemühungen zur Bewältigung der Herausforderungen des menschlichen Sehens markierte.
1974 kam die optische Zeichenerkennung (OCR) auf, die Text unabhängig von Schriftart oder Schriftbild identifizieren konnte. Ebenso konnte die intelligente Zeichenerkennung (ICR) handgeschriebenen Text mithilfe neuronaler Netze entschlüsseln.
1982 etablierte der Neurowissenschaftler David Marr die hierarchische Natur des Sehens und führte Algorithmen ein, die es Maschinen ermöglichen, Kanten, Ecken, Kurven und andere grundlegende Formen zu erkennen.
Um das Jahr 2000 verlagerte sich der Schwerpunkt auf die Objekterkennung, was 2001 zur Einführung von Echtzeit-Gesichtserkennungsanwendungen führte. In den 2000er Jahren gewann die Standardisierung der Kennzeichnung und Annotation visueller Datensätze an Bedeutung.