概述
任务包括分类、对象检测、分割、跟踪和视觉问答。每个任务都需要不同的输出，并且没有一个任务会自动提供对场景的完整理解。
主要要点
- 定义视觉任务和输出。
- 测试真实的捕获条件。
- 评估预处理和快捷方式。
深入探讨
图像变成对像素或其他表示进行编码的数字数组。模型学习对其目标有用的模式，但这些模式可能包含偶然的相关性。分类器可能依赖于背景而不是开发人员想要识别的对象。精确定义输出。分类为图像分配标签；检测定位对象实例；分割标记像素或区域。识别对象类别的模型可能仍然无法定位其边界或区分几个重叠的实例。评估真实的摄像机、照明、分辨率、视点和环境。分割数据时，请保留同一场景或一起记录的相关图像，以避免结果过于乐观。检查不常见的情况以及不同错误的成本。应用程序还必须处理图像质量、权限、不确定性和下游操作。置信标签并不能证明场景安全或推断的属性适合使用。当人们需要检查结果时，保留源图像和有意义的审核信息。
04工作示例
测试后台快捷方式
构建一个玩具数据集，其中红色玩具的每个训练图像都位于白色桌子上，每个蓝色玩具都位于黑色桌子上。
在交换的背景和看不见的表面上测试玩具。
如果预测遵循表格而不是玩具，请修改数据和评估，而不是假设原始准确性测量了预期概念。
它显示了什么
本发明的设置说明了可以隐藏视觉上合理的演示的快捷方式。
现实世界的实施
在实际相机和照明设置下检测制造缺陷。
在将授权文档图像路由到合适的提取过程之前对它们进行分类。
付诸实践
为什么这很重要
- 速度与规模. 视觉人工智能可以大规模自动化检查、检测和标记任务。
- 构建选择. 创意团队可以通过更少的手动修改更快地构建概念原型。
- 团队与工作流程. 操作可以使用以前难以处理的图像和视频信号。
留意
- 如果出处不明，肖像权和同意可能会成为法律风险。
- 模型性能可能因光照、人口统计和环境的不同而有所不同。
- 除非监控置信阈值，否则误报可能会被忽视。
后续步骤
- 定义精确度、召回率和错误成本的接受标准。
- 使用符合实际生产条件的数据进行测试。
- 为低置信度或高影响力的预测添加人工审核。
- 跟踪模型漂移并在相机或数据集更改后重新验证。
资料来源与延伸阅读
- Radford and colleagues视觉语言表征学习
不断探索
常见问题
识别一个物体是否意味着系统理解了整个图像？
不。物体识别是一项任务。关系、背景、不确定性和安全使用需要单独评估。