The evolution of computer vision: Outstanding contributions from inventors

• Ces premières contributions, apportées par des pionniers comme Lawrence Roberts et Bela Julesz, ont établi des principes et des techniques fondamentaux qui ont profondément influencé le développement de la vision par ordinateur.
• L'évolution de la vision par ordinateur, depuis les théories fondamentales des années 1970 et 1980 jusqu'aux avancées révolutionnaires des réseaux de neurones et de l'apprentissage profond dans les années 1990 et 2000, a profondément façonné la discipline, menant à des applications et des méthodologies novatrices qui font partie intégrante de l'IA moderne et du traitement d'images.
• Le XXIe siècle a connu un essor considérable de la vision par ordinateur, avec des avancées et des réalisations majeures dans l'apprentissage profond et les réseaux de neurones qui ont révolutionné la classification d'images, la détection d'objets, la segmentation, le traitement du langage naturel et bien d'autres domaines, illustrant ainsi l'intégration profonde entre la compréhension visuelle et l'IA.

L'invention et le développement de la vision par ordinateur n'ont pas été l'œuvre d'une seule personne, mais se sont construits progressivement grâce aux efforts conjoints de nombreux chercheurs, ingénieurs et universitaires sur une longue période. Ce domaine couvre plusieurs disciplines, notamment l'informatique, les mathématiques, la physique, l'ingénierie et les neurosciences. Voir aussi: Ziggo Group nomme ses dirigeants avant l'introduction en Bourse à Amsterdam en 2027.

À lire aussi: RoboVision lève 42 millions de dollars pour renforcer l'intégration de l'IA dans l'industrie manufacturière

Origine et premiers développements de la vision par ordinateur

Les racines de la vision par ordinateur remontent aux années 1950 et 1960, lorsque l'apparition et le développement des ordinateurs électroniques ont jeté les bases du traitement d'images et de la reconnaissance de formes. Voir aussi: AKNET internet ve bilisim sistemleri limited sirketi.

Lawrence Roberts

Lawrence Roberts est considéré comme l'un des pionniers de la vision par ordinateur. Il a introduit de nombreux concepts et techniques de base dans sa thèse de doctorat de 1963, intitulée Perception automatique des solides tridimensionnels. Ses travaux portaient sur l'extraction d'informations tridimensionnelles à partir d'images bidimensionnelles, l'un des problèmes centraux de la vision par ordinateur. Les recherches de Roberts ont jeté les bases des travaux ultérieurs en reconstruction 3D et en vision stéréoscopique. Voir aussi: Azarakhsh Ava-e Ahvaz Co.

Bela Julesz

Bela Julesz était un psychologue visuel dont les recherches sur les stéréogrammes à points aléatoires dans les années 1960 ont eu un impact significatif sur la vision par ordinateur. Julesz a montré expérimentalement comment le système visuel humain perçoit la profondeur à partir d'images de points aléatoires, ce qui a des implications importantes pour la compréhension de la stéréopsie et de la perception de la profondeur. Voir aussi: Windhoos.

À lire aussi: Intel développe le plus grand système informatique neuromorphique

Développements dans les années 1970 et 1980

Au cours des années 1970 et 1980, la vision par ordinateur s'est constituée en discipline, et de nombreux concepts et techniques clés ont été développés et promus durant cette période. Voir aussi: EuroNet.

David Marr

David Marr est une autre figure importante du domaine de la vision par ordinateur. Il a proposé une série de théories sur le traitement visuel dans les années 1970 et 1980, tentant d'expliquer comment le système visuel humain traite et comprend l'information visuelle. Marr a développé ses théories dans son livre de 1982, Vision: une investigation computationnelle de la représentation et du traitement de l'information visuelle chez l'homme, incluant un modèle hiérarchique du traitement de l'information visuelle.

Il propose que le traitement visuel peut être divisé en trois étapes principales: l'esquisse primaire (primal sketch), l'esquisse 2,5D et la représentation par modèle 3D. Les travaux de Marr ont eu un impact profond à la fois sur la vision par ordinateur et les neurosciences. Voir aussi: DU jiarui.

John Hopfield et David Marr

Les travaux de John Hopfield et David Marr sur la reconnaissance de formes et les réseaux de neurones ont également eu un impact significatif sur la vision par ordinateur. Le réseau de Hopfield était un modèle précoce de réseau de neurones qui montrait comment les problèmes de reconnaissance de formes pouvaient être résolus par le calcul neuronal. Ces études ont fourni une base théorique pour les tâches de reconnaissance et de classification d'images en vision par ordinateur. Voir aussi: Miejskie Przedsiębiorstwo Wodociągów i Kanalizacji S.A..

Développements modernes de la vision par ordinateur

La vision par ordinateur a fait des progrès considérables dans les algorithmes, la puissance de calcul et les domaines d'application depuis les années 1990 et 2000. Voir aussi: Vozhd.net.ua.

Takeo Kanade

Takeo Kanade est un éminent chercheur dans les domaines de la vision par ordinateur et de la robotique. Il a développé plusieurs systèmes et algorithmes de vision par ordinateur importants, notamment en reconnaissance faciale, vision stéréoscopique et navigation de robots mobiles. Les travaux de Takeo Kanade ont eu un large impact tant dans le monde universitaire que dans l'industrie, et il est un membre clé du département d'informatique et de l'Institut de robotique de l'université Carnegie Mellon.

David Forsyth et Jean Ponce

David Forsyth et Jean Ponce sont les co-auteurs de Vision par ordinateur: une approche moderne, un manuel important dans le domaine de la vision par ordinateur qui couvre un large éventail de sujets, de la théorie de base aux applications pratiques. Largement utilisé dans l'enseignement et la recherche en vision par ordinateur, il est un classique du domaine.

Geoffrey Hinton, Yann LeCun et Yoshua Bengio

Les travaux de Geoffrey Hinton, Yann LeCun et Joshua Bengio sur les réseaux de neurones et l'apprentissage profond ont révolutionné la vision par ordinateur. Leurs travaux ont conduit au succès des réseaux de neurones convolutifs (CNN) dans des tâches telles que la classification d'images, la détection d'objets et la segmentation sémantique. En particulier, la victoire d'AlexNet au concours ImageNet en 2012 a marqué une percée dans l'application de l'apprentissage profond à la vision par ordinateur.

L'essor de la vision par ordinateur

Depuis le début du XXIe siècle, le domaine de la vision par ordinateur est entré dans une période d'essor. Au cours de cette période, la vision par ordinateur a obtenu des résultats étonnants, comme le montre la chronologie ci-dessous:

En 2012, AlexNet a fait sensation au concours de classification d'images ImageNet, en utilisant un réseau de neurones convolutif profond (CNN) pour surpasser tous les autres participants, réduisant le taux d'erreur de 10 points de pourcentage.

En 2014, GoogLeNet et VGGNet (Visual Geometry Group) ont réitéré leur succès au concours de classification d'images ImageNet, en utilisant des structures CNN plus profondes et plus complexes pour améliorer encore les performances de classification.

En 2015, ResNet (Residual Neural Network) a établi un nouveau record au concours de classification d'images ImageNet, en utilisant des connexions résiduelles pour résoudre le problème de la difficulté d'entraînement des réseaux profonds et réduire le taux d'erreur à un niveau inférieur à celui de l'humain.

En 2016, YOLO (You Only Look Once) et SSD (Single Shot Multibox Detector) ont réalisé une percée dans la tâche de détection d'objets, en utilisant une structure CNN à une seule étape pour permettre une détection rapide et précise de multiples objets dans une image.

En 2017, Mask R-CNN a réalisé une percée dans la tâche de segmentation d'objets, permettant une segmentation précise de plusieurs objets dans une image à l'aide d'une structure CNN en deux étapes.

En 2018, BERT (Bidirectional Encoder Representations from Transformers) a réalisé une percée dans la tâche de traitement du langage naturel, en utilisant une structure de transformateur bidirectionnel pour parvenir à une compréhension approfondie du langage, offrant un outil puissant pour le traitement conjoint des images et du texte.

En 2019, AlphaStar a réalisé une percée dans le jeu Starcraft II, en utilisant l'apprentissage par renforcement et l'auto-jeu pour entraîner une intelligence surpassant les meilleurs joueurs humains, démontrant un haut degré d'intégration de la vision par ordinateur et de la prise de décision.

En 2020, GPT-3 a réalisé une percée dans la génération de langage naturel, en utilisant une structure de transformateur à 175 milliards de paramètres pour générer un texte fluide et logique, rendant possible la conversion réciproque entre images et texte.