Optik Akış
Optik akış, her pikselin ardışık video kareleri arasında nasıl hareket ettiğini tahmin ederek yoğun bir hareket vektörleri haritası üretir.
Genel Bakış
It is how machines perceive movement, speed, and direction in video.
Derin Dalış
Optik akış, her piksele, bir kareden diğerine nereye gittiğini açıklayan küçük bir hareket oku atar. Klasik yöntemler, Lucas-Kanade (seyrek) ve Horn-Schunck (yoğun) algoritmalarında olduğu gibi düzgünlük kısıtlamalarıyla birlikte 'parlaklık sabitliği' varsayımına dayanır - bir nokta hareket ettikçe aynı parlaklığı korur. Bunlar küçük, yumuşak hareketler için iyi çalışır ancak hızlı hareket, tıkanmalar ve büyük dokusuz bölgelerle mücadele eder. Derin öğrenme alanı değiştirdi: FlowNet, PWC-Net ve özellikle RAFT gibi ağlar, çerçeveler arasındaki özellikleri eşleştirmeyi ve akış alanını yinelemeli olarak iyileştirmeyi öğreniyor. Çıktı, sorunun yalnızca 'çerçevede ne var?' olmadığı her yerde videonun anlaşılmasını sağlar. ama 'nasıl hareket ediyor?'
Teknik Bilgi
Bir dönüm noktası yaklaşımı olan RAFT, birinci karedeki her pikselin ikinci karedeki her pikselle ne kadar iyi eşleştiğini puanlayan bir 4D 'maliyet hacmi' oluşturur, ardından daha iyi eşleşmelere doğru tekrar tekrar okları dürtmek gibi birçok küçük adım üzerinden akış tahminini iyileştirmek için bir tekrarlayan güncelleme operatörü (GRU) kullanır. Büyük bir tahmin yerine bu yinelenen iyileştirme, büyük yer değiştirmeler ve ince ayrıntılar için bile keskin, doğru bir akış sağlar ve farklı sahneler arasında iyi bir genelleme sağlar.
Stratejik Etki
Speed and scale
Visual AI, inceleme, algılama ve etiketleme görevlerini geniş ölçekte otomatikleştirebilir.
Build choices
Yaratıcı ekipler, daha az manuel revizyonla konseptleri daha hızlı prototipleyebilir.
Ekip ve iş akışı
Operasyonlar, daha önce işlenmesi zor olan görüntü ve video sinyallerini kullanabilir.
Optik Akışın Geleceği
Optik akış, uç cihazlarda gerçek zamanlı, yüksek çözünürlüklü tahmine, derinlik ve 3D sahne akışıyla daha sıkı entegrasyona ve pahalı gerçek etiketler olmadan ham videodan öğrenen kendi kendini denetleyen eğitime doğru ilerliyor. Otonom sistemler ve robotlar daha zengin hareket anlayışı gerektirdiğinden, akışın nesne izleme ve tahminle kaynaşmasını bekleyin, böylece makineler yalnızca mevcut hareketi görmekle kalmaz, aynı zamanda tıkanmalar ve hızlı kamera hareketi yoluyla bile işlerin bir sonraki adımda nereye gideceğini tahmin edebilir.
Gerçek Dünya Uygulaması
Telefonlarda ve aksiyon kameralarında titrek el hareketlerini ortadan kaldıran video sabitleme
Videonun daha düzgün görünmesini veya ağır çekimde çalışmasını sağlamak için kareler arasında oluşturan kare enterpolasyonu
Yakındaki arabaların ve yayaların hızını ve yönünü tahmin eden sürücü desteği ve otonom araçlar
Videoyu daha verimli depolamak için kareler arasındaki hareketi tahmin eden video sıkıştırma codec'leri
Riskler ve Korkuluklar
Kaynağın belirsiz olması durumunda görüntü hakları ve rıza yasal risk haline gelebilir.
Model performansı aydınlatma, demografik özellikler ve ortamlara göre değişiklik gösterebilir.
Güven eşikleri izlenmediği sürece yanlış pozitifler fark edilmeyebilir.
Uygulama Yol Haritası
Kesinlik, geri çağırma ve hata maliyetlerine ilişkin kabul kriterlerini tanımlayın.
Gerçek üretim koşullarıyla eşleşen verilerle test edin.
Düşük güvenirliğe sahip veya yüksek etkili tahminler için gerçek kişi tarafından yapılan incelemeyi ekleyin.
Model kaymasını izleyin ve kamera veya veri kümesi değişikliklerinden sonra yeniden doğrulayın.
Keşfetmeye Devam Edin
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Optical Flow quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Akış Eşleştirme
Sık sorulan sorular
What is Optical Flow?
Optik akış, her pikselin ardışık video kareleri arasında nasıl hareket ettiğini tahmin ederek yoğun bir hareket vektörleri haritası üretir. Makinelerin videodaki hareketi, hızı ve yönü algılama şekli budur.
Optik akış aslında neyi tahmin ediyor?
Optik akış, her pikselin bir kareden diğerine nasıl hareket ettiğini açıklayan hareket vektörleri üretir.
Klasik optik akışta kullanılan 'parlaklık sabitliği' varsayımı nedir?
Klasik yöntemler, fiziksel bir noktanın parlaklığının hareket ettikçe sabit kaldığını varsayar, bu da onların onu kareler arasında eşleştirmesine olanak tanır.
Bir maliyet hacmi ve yinelenen güncellemeler kullanılarak yinelemeli akış iyileştirmesi için hangi modern derin öğrenme yöntemi bilinmektedir?
RAFT, 4 boyutlu bir maliyet hacmi oluşturur ve akışı birçok küçük adım üzerinden iyileştirmek için tekrarlayan bir operatör kullanır ve en son teknolojiye sahip doğruluk elde eder.
Klasik optik akış yöntemleri neden büyük ve hızlı hareketlerle mücadele ediyor?
Küçük hareket varsayımları üzerine inşa edilen yöntemler, bir piksel kareler arasında çok uzağa sıçradığında izleri kaybeder ve hatalara neden olur.
Hangi uygulama doğrudan kareler arasındaki hareketi tahmin etmeye dayanır?
Çerçeve enterpolasyonu, tahmini piksel hareketini kullanarak ara kareleri sentezleyerek daha yumuşak veya ağır çekim video üretir.