SıradakiSonraki rehber
Kadife Çiçeği Difüzyon Derinliği Tahmini
Görsel Yapay Zeka
Görsel Yapay Zeka KILAVUZU
Stereo Derinlik Tahmini
Stereo derinlik tahmini, tıpkı iki gözünüzün yaptığı gibi, hafifçe kaydırılmış iki kamera görüntüsünü karşılaştırarak nesnelerin ne kadar uzakta olduğunu kurtarır.
Bu kılavuzu dinleyinAI tarafından anlatılan · ~2 min
Bu sayfada2 dakika okuma
Genel Bakış
It turns flat images into 3D distance maps that robots, cars, and phones rely on to understand space.
Derin Dalış
Stereo derinlik tahmini, birbirinden sabit uzaklıkta (temel çizgi) iki kamera kullanır. Dünyadaki aynı nokta, sol ve sağ görüntülerde biraz farklı yatay konumlarda yer alır ve bu kaymaya eşitsizlik denir. Yakındaki nesneler çok fazla yer değiştiriyor; Uzaktakiler zar zor hareket ediyor. Derinlik (odak uzaklığı x taban çizgisi) / eşitsizlik olarak hesaplanır, dolayısıyla derinlik ve eşitsizlik ters ilişkilidir. Zor kısım, özellikle düz duvarlarda, yinelenen desenlerde veya birçok pikselin aynı göründüğü yansıtıcı yüzeylerde, iki görüntü arasındaki pikselleri eşleştirmektir. Yarı Küresel Eşleştirme gibi klasik yöntemler tarama çizgileri boyunca tarama yaparken, PSMNet ve RAFT-Stereo gibi modern derin ağlar zengin özellikleri öğrenir ve eşitsizlikleri yinelemeli olarak iyileştirir, zorlu bölgelerde bile yoğun, doğru derinlik üretir.
Gerçek Dünya Uygulaması
Kendi kendine sürüş ve sürücü destek sistemleri, frenleme ve şerit tutma amacıyla arabalara, yayalara ve kaldırımlara olan mesafeyi ölçmek için stereo kameralar kullanıyor.
Depo ve tarım robotları, nesneleri kavramak, engellerden kaçınmak ve meyveleri doğru derinlikten toplamak için 3 boyutlu haritalar oluşturur.
Geçiş cihazları gibi AR/VR kulaklıkları oda geometrisini tahmin ederek sanal nesnelerin gerçek yüzeylere doğru şekilde oturmasını sağlar.
Mars gezicileri (örneğin Perseverance), GPS olmadan kayalık arazide güvenli yollar planlamak için stereo navigasyon kameraları kullanıyor.
Stereo Derinlik Tahmininin Geleceği
LiDAR, radar ve monoküler işaretlerle stereonun daha sıkı bir şekilde birleşmesini bekleyebilirsiniz, böylece bir sensör arızalandığında sistemler sorunsuz bir şekilde bozulur. Transformatör tabanlı eşleştirme ve kendi kendini denetleyen eğitim (gerçeklik derinliği olmadan ham videodan öğrenme), pahalı etiketli verilere olan ihtiyacı azaltıyor. Cihaz içi verimlilik hızla artıyor ve gerçek zamanlı stereoyu drone'lara, AR gözlüklere ve ucuz robotlara yerleştiriyor. Olay kameraları ve öğrenilmiş aktif modeller, günümüzün yöntemlerini boşa çıkaran düşük ışıkta, hareket bulanıklığında ve dokusuz sahnelerde bile güvenilir derinlik vaat ediyor.
Uygulamaya koymak
Neden önemli?
- Hız ve ölçek. Visual AI, inceleme, algılama ve etiketleme görevlerini geniş ölçekte otomatikleştirebilir.
- Yapı seçimleri. 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.
Dikkat edin
- 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.
Sonraki adımlar
- 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
Ücretsiz bülten
Günlük AI brifingini alın
Hafta içi her sabah sade İngilizce yazılmış, doğrulanmış üç yapay zeka hikayesi. Sonsuza kadar ücretsiz, reklam yok.
Hafta içi her gün bir e-posta. Tek tıklamayla aboneliğinizi iptal edin. Adresinizi asla satmayız veya paylaşmayız.
Kendinizi test edin
Take the Stereo Depth Estimation quiz
Her yanıtla ilgili anında geri bildirim ve bir kursu geçtiğinizde doğrulanabilir bir kimliğe sahip paylaşılabilir bir sertifika.
Ücretsiz AI eğitimini destekleyin. AI Understanding, bir 501(c)(3) kâr amacı gütmeyen kuruluştur; hiçbir zaman reklam yoktur, ödeme duvarı yoktur. Bağış yap
Sık sorulan sorular
What is Stereo Depth Estimation?
Stereo derinlik tahmini, tıpkı iki gözünüzün yaptığı gibi, hafifçe kaydırılmış iki kamera görüntüsünü karşılaştırarak nesnelerin ne kadar uzakta olduğunu kurtarır. Düz görüntüleri robotların, arabaların ve telefonların alanı anlamak için kullandığı 3 boyutlu mesafe haritalarına dönüştürür.
Stereo görüşteki 'eşitsizlik' nedir?
Eşitsizlik, karşılık gelen bir noktanın düzeltilmiş iki görünüm arasında yatay olarak ne kadar uzağa hareket ettiğidir; daha büyük eşitsizlik, nesnenin daha yakın olduğu anlamına gelir.
Derinliğin eşitsizlikle nasıl bir ilişkisi var?
Derinlik = (odak uzaklığı x taban çizgisi) / eşitsizlik, yani eşitsizlik küçüldükçe tahmini derinlik artar. Uzak nesnelerde küçük eşitsizlikler vardır.
Görüntüler eşleşmeden önce neden 'düzeltiliyor'?
Düzeltme, her iki görüntüyü de çarpıtarak eşleşmelerin tek bir yatay çizgiyle sınırlandırılmasını sağlar ve 2 boyutlu aramayı hızlı 1 boyutlu aramaya dönüştürür.
Stereo eşleştirme için hangi senaryo en zorudur?
Dokusuz veya tekrarlayan yüzeyler birçok pikselin aynı görünmesini sağlar, dolayısıyla algoritma doğru eşleşmeyi güvenle bulamaz.
'Temel' ne anlama geliyor?
Temel çizgi, iki kamera merkezi arasındaki ayrımdır; daha geniş bir taban çizgisi uzaktaki nesnelerin doğruluğunu artırır.
Öğrenmeye devam et
İlgili kılavuzlar
Bu konu için daha fazla rehber seçildi