Eine kurze Einführung in die Computer Vision

A short introduction to computer vision wird von BTW Media profiliert, weil veröffentlichte Nachweise sie mit Internetinfrastruktur, Governance, operativen Abhängigkeiten oder Marktsichtbarkeit in Verbindung bringen.

• Computer Vision, oft als CV abgekürzt, wird als ein Studienbereich definiert, der darauf abzielt, Techniken zu entwickeln, um Computern zu helfen, den Inhalt digitaler Bilder wie Fotos und Videos zu 'sehen' und zu verstehen.
• Sie nutzt 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 Netzwerke nutzt, um Computern und Systemen zu ermöglichen, aussagekräftige Informationen aus digitalen Bildern, Videos und anderen visuellen Eingaben zu extrahieren. Dies ermöglicht ihnen, Empfehlungen auszusprechen oder Maßnahmen als Reaktion auf erkannte Mängel oder Probleme zu 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 es Computern ermöglicht zu denken, ermöglicht es Computer Vision ihnen zu sehen, zu beobachten und zu 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. Sie 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, zu unterscheiden und Reifen korrekt zu identifizieren, insbesondere solche ohne Mängel. Zwei wichtige Technologien, die hierfür verwendet werden, sind Deep Learning undConvolutional Neural Networks(CNN).

Maschinelles Lernen verwendet algorithmische Modelle, die es Computern ermöglichen, den Kontext visueller Daten autonom zu erlernen. Mit genügend Daten lernt der Computer, Bilder selbstständig zu unterscheiden, anstatt durch explizite Programmierung für die Bilderkennung.

Ein CNN hilft Modellen des maschinellen Lernens oder Deep Learning, indem es Bilder in beschriftete oder markierte Pixel zerlegt. Mithilfe dieser Beschriftungen 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 Netzwerk verfeinert seine Vorhersagen durch iterative Faltungen, verbessert schrittweise die Genauigkeit, bis seine Vorhersagen der Realität entsprechen. Auf diese Weise nimmt es Bilder ähnlich der menschlichen Wahrnehmung wahr oder erkennt sie.

Siehe auch:Computer Vision im autonomen Fahren

Siehe auch: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 Bilderserien präsentierten, um die entsprechenden Gehirnreaktionen zu beobachten.

In den 1960er Jahren entstand die KI als akademische Disziplin, was den Beginn der Bemühungen markierte, die Herausforderungen des menschlichen Sehens zu bewältigen.

1974 kam die Technologie der optischen Zeichenerkennung (OCR) auf, die Text unabhängig von Schriftart oder Schriftbild identifizieren konnte. Ebenso konnte die intelligente Zeichenerkennung (ICR) handgeschriebenen Text mithilfe neuronaler Netzwerke entziffern.

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 Beschriftung und Annotation visueller Datensätze an Bedeutung.