概述
任務包括分類、物件偵測、分割、追蹤和視覺問答。每個任務都需要不同的輸出,沒有一個任務會自動提供對場景的完整理解。
重點摘要
- 定義視覺任務和輸出。
- 測試真實的捕獲條件。
- 評估預處理和快捷方式。
深入探討
影像變成對像素或其他表示進行編碼的數字數組。模型學習對其目標有用的模式,但這些模式可能包含偶然的相關性。分類器可能依賴背景而不是開發人員想要識別的物件。精確定義輸出。分類為影像分配標籤;偵測定位物件實例;分割標記像素或區域。識別物件類別的模型可能仍然無法定位其邊界或區分幾個重疊的實例。評估真實的攝影機、照明、解析度、視點和環境。分割資料時,請保留相同場景或一起記錄的相關影像,以避免結果過於樂觀。檢查不常見的情況以及不同錯誤的成本。應用程式還必須處理影像品質、權限、不確定性和下游操作。置信標籤並不能證明場景安全或推斷的屬性適合使用。當人們需要檢查結果時,保留來源影像和有意義的審核資訊。
04工作範例
測試後台快捷方式
建立一個玩具資料集,其中紅色玩具的每個訓練圖像都位於白色桌子上,每個藍色玩具都位於黑色桌子上。
在交換的背景和看不見的表面上測試玩具。
如果預測遵循表格而不是玩具,請修改數據和評估,而不是假設原始準確性測量了預期概念。
它顯示了什麼
本發明的設定說明了可以隱藏視覺上合理的演示的快捷方式。
現實世界的實施
在實際相機和照明設定下偵測製造缺陷。
在將授權文件影像路由到適當的提取過程之前對它們進行分類。
付諸實踐
為什麼這很重要
- 速度與規模. 視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
- 配裝選擇. 創意團隊可以透過更少的手動修改來更快地建立概念原型。
- 團隊與工作流程. 操作可以使用以前難以處理的影像和視訊訊號。
留意
- 如果出處不明,肖像權和同意可能會成為法律風險。
- 模型表現可能因光照、人口統計和環境的不同而有所不同。
- 除非監控置信閾值,否則誤報可能會被忽略。
後續步驟
- 定義精確度、召回率和錯誤成本的接受標準。
- 使用符合實際生產條件的數據進行測試。
- 為低置信度或高影響力的預測添加人工審核。
- 追蹤模型漂移並在相機或資料集變更後重新驗證。
資料來源與延伸閱讀
- Radford and colleagues視覺語言表徵學習
不斷探索
常見問題
辨識一個物體是否意味著系統理解了整個影像?
不。物體辨識是一項任務。關係、背景、不確定性和安全使用需要單獨評估。