Tiếp theoHướng dẫn tiếp theo
Chú thích hình ảnh cho thị giác máy tính
AI trực quan
HƯỚNG DẪN AI trực quan
Xu hướng tập dữ liệu phát sinh khi hình ảnh, nhãn hoặc quy trình thu thập nhấn mạnh các mẫu khác với những nơi sẽ sử dụng mô hình tầm nhìn.
Nghe hướng dẫn nàyAI thuật lại · ~3 min
Một mô hình có thể đạt điểm cao trong một bộ bài kiểm tra quen thuộc trong khi dựa vào các dấu hiệu nền, máy ảnh hoặc nhân khẩu học không chuyển tải. Việc thử nghiệm trên các nguồn và các nhóm có liên quan giúp hiển thị các lối tắt đó, mặc dù không có tập dữ liệu nào có thể bao quát mọi môi trường.
Tập dữ liệu là một mẫu của thế giới, được định hình bằng cách thu thập và gắn nhãn hình ảnh. Nó có thể thể hiện quá mức một số quốc gia, mùa, máy ảnh, góc độ hoặc bối cảnh đối tượng nhất định. Trình phân loại có thể khai thác các mẫu định kỳ này mà không cần tìm hiểu sự khác biệt mà người xây dựng dự định. Torralba và Efros đã chứng minh rằng các tập dữ liệu trực quan mang những dấu hiệu dễ nhận biết và hiệu suất đó có thể giảm khi các mô hình di chuyển trên các tập dữ liệu. Đây là một vấn đề khái quát hóa chứ không chỉ đơn thuần là khiếu nại rằng một tập tin chứa quá ít hình ảnh. Xu hướng có thể nhập vào lúc thu thập, chú thích và đánh giá. Nếu tất cả ảnh của một sản phẩm đến từ một studio và tất cả ảnh của sản phẩm khác đến từ một phòng khác, thì mô hình có thể phân loại các phòng. Nếu người chú thích gắn nhãn một danh mục không nhất quán hoặc không đánh dấu các trường hợp nhỏ, việc đánh giá có thể trừng phạt phát hiện chính xác. Việc chia ngẫu nhiên các khung hình video gần giống nhau giữa tập huấn luyện và tập kiểm tra có thể che giấu điểm yếu. Địa điểm triển khai mới có thể giới thiệu ánh sáng, vật liệu, hình nền hoặc tần số lớp học khác nhau. Bắt đầu bằng cách ghi lại hình ảnh đến từ đâu, ý nghĩa của nhãn và ai hoặc cái gì bị thiếu. Kiểm tra theo nguồn, thời gian, môi trường và các nhóm nhỏ có ý nghĩa, sử dụng đủ ví dụ để diễn giải từng lát cắt. Đánh giá tập dữ liệu chéo hoặc đánh giá bên ngoài trang web có giá trị vì nó thay đổi một số yếu tố cơ bản cùng một lúc, mặc dù nó có thể không tách biệt được nguyên nhân gây ra lỗi. Các phản ví dụ có thể thăm dò một lối tắt đáng ngờ: hiển thị cùng một đối tượng trên nền và nền không có đối tượng. Khi các lỗi khác nhau, hãy thu thập phạm vi bao phủ tốt hơn, xem xét lại các quy tắc ghi nhãn hoặc thiết kế lại nhiệm vụ và sau đó kiểm tra lại trên dữ liệu độc lập. Không có tập dữ liệu nào hoàn toàn không có sai lệch. Mục tiêu là để biết cách sử dụng bằng chứng nào hỗ trợ. Một con số có độ chính xác tổng hợp cao không nên trở thành lời hứa hẹn rằng hệ thống camera sẽ hoạt động tốt như nhau đối với mọi người, khu vực hoặc khung cảnh. Nếu một mô hình ảnh hưởng đến khả năng tiếp cận, sự an toàn hoặc dịch vụ công cộng, hãy giám sát các lỗi trong hoạt động thực tế và đưa ra lộ trình khắc phục các kết quả đầu ra có hại.
Máy dò động vật hoang dã biết rằng tuyết thường đi kèm với một nhãn động vật và không thành công khi con vật đó xuất hiện trên bãi cỏ.
Một nhà bán lẻ kiểm tra các hình ảnh trên kệ từ một cửa hàng và camera điện thoại khác thay vì chia ngẫu nhiên các bức ảnh gần như trùng lặp.
Nhóm chất lượng sẽ đo lường các lỗi bằng ánh sáng, kích thước vật thể và vị trí thay vì chỉ báo cáo một mức trung bình.
Trình tạo tập dữ liệu ghi lại địa lý của bộ sưu tập và nguồn camera để người dùng sau này có thể đánh giá mức độ phù hợp của họ.
Bộ sưu tập hình ảnh lớn hơn có thể mở rộng phạm vi bao phủ, tuy nhiên chỉ riêng quy mô sẽ không ghi lại được ai được chụp, hình ảnh đến từ đâu hoặc nhãn nào không chắc chắn. Thẻ tập dữ liệu, siêu dữ liệu nguồn và thử nghiệm bên ngoài có thể giúp đánh giá rủi ro chuyển giao dễ dàng hơn. Các nhóm tầm nhìn có thể sử dụng các phản ví dụ có kiểm soát và bộ sưu tập có mục tiêu để thách thức các lối tắt đã biết. Việc giám sát trong thế giới thực vẫn cần thiết vì camera và môi trường thay đổi sau khi khởi chạy. Người dùng xứng đáng có một cách để tranh luận về các lỗi do hậu quả. Các hệ thống mạnh nhất sẽ nêu rõ các điều kiện mà chúng đã được thử nghiệm và cập nhật bằng chứng khi các địa điểm hoặc quần thể mới bộc lộ sự thất bại.
Bản tin miễn phí
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Xu hướng tập dữ liệu phát sinh khi hình ảnh, nhãn hoặc quy trình thu thập nhấn mạnh các mẫu khác với những nơi sẽ sử dụng mô hình tầm nhìn. Một mô hình có thể đạt điểm cao trong một bộ bài kiểm tra quen thuộc trong khi dựa vào các dấu hiệu nền, máy ảnh hoặc nhân khẩu học không chuyển tải. Việc thử nghiệm trên các nguồn và các nhóm có liên quan giúp hiển thị các lối tắt đó, mặc dù không có tập dữ liệu nào có thể bao quát mọi môi trường.
Tuyết là một gợi ý theo ngữ cảnh có thể không thành công khi con vật xuất hiện ở nơi khác.
Nghiên cứu đã kiểm tra chữ ký tập dữ liệu và khái quát hóa tập dữ liệu chéo.
Một lát cắt có thể tiết lộ lỗi liên quan đến việc triển khai được ẩn bằng cách tính trung bình.
Các phản ví dụ được kiểm soát có thể tách bằng chứng đối tượng khỏi các phím tắt theo ngữ cảnh.
Tiếp tục học hỏi
Đã chọn thêm hướng dẫn cho chủ đề này
Tiếp theoHướng dẫn tiếp theo
Chú thích hình ảnh cho thị giác máy tính
AI trực quan