-format(webp).webp)
引言
電腦視覺是一門技術研究領域，旨在推動電腦系統複製人類的光學視覺系統。它被認為是人工智慧的一個分支，能夠從圖像和/或視訊中收集資訊並進行處理以定義特定屬性。整個電腦視覺過程涵蓋影像擷取、資料篩選、重複分析以及資訊的識別和擷取。這個全面的數位化過程使電腦系統能夠理解各種視覺內容並進行相應的操作。
電腦視覺流程和方法的最新進展為那些希望採用這項技術的企業創造了巨大的市場機會。此外，自 2019 年以來，社群媒體討論表明，在不同行業中使用電腦視覺的吸引力不斷增強。然而，電腦視覺技術也存在固有的挑戰，從計算數據差異到數位資料隱私問題，不一而足。
什麼是電腦視覺？
本質上，電腦視覺項目將數位視覺數據轉化為詳細的、資訊豐富的描述，從而構建多維數據。這些建構或組合的數據隨後被轉換為電腦可讀的語言，以輔助複雜的電腦模型決策。這個人工智慧分支的主要目標是「指示」設備正確地從像素中收集資訊。
電腦視覺供應商努力使其產品差異化，並仔細研究新興技術，以建立卓越的功能，從而增強相關的服務交付並提升積極的最終用戶體驗。
如前所述，電腦視覺是深度學習和人工智慧的一個子集，我們人類「教導」電腦系統觀察和解讀它們以及我們周圍的視覺世界。雖然我們的視覺能力會隨著時間的推移而自然發展，但如何協助和支援機器透過視覺解碼和理解周圍環境仍然是一個尚未解決的重大挑戰。
遺憾的是，人類視覺系統的複雜性及其與環境的動態交互，使得機器電腦視覺成為一個極具挑戰性的專案。
The easiest way to build quality machine learning datasets
Build high quality datasets fast with our labeling platform for your computer vision model’s optimal performance. Try it out now!
電腦視覺如何運作？
電腦視覺系統利用來自自動感測設備、機器學習、人工智慧和深度學習的輸入來重現或模仿人類有機視覺系統的功能。電腦視覺系統基於複雜的演算法運行，這些演算法經過大量視覺圖像和資料的訓練。這些複雜的系統能夠識別數位視覺資料中存在的模式，並利用這些例程來判斷和定義其他類似影像的內容。
讓我們來看一個例子：軟體程式設計師將數百萬張鳥類圖像上傳並輸入計算機，而不是訓練計算機識別構成鳥類外觀的喙、翅膀、爪子和色彩鮮豔的羽毛。這種情況使電腦系統能夠隨著時間的推移和重複學習，理解構成鳥類的不同特徵，從而立即識別它。
雖然這個概念——概述了電腦視覺工作原理——看似簡單，但透過機器視覺處理和理解圖像實際上相當具有挑戰性。
為什麼電腦視覺很難？
數位影像由數千個像素組成，單一像素是影像分割成的最小單元。
電腦使用像素陣列處理影像，其中每個像素都有一組值，表示其包含的三種組成原色（紅、綠、藍）的存在和強度。將所有像素組合在一起將形成數位影像。
這張數位影像本質上是一個數學矩陣，電腦視覺應用程式需要經過訓練才能學習和研究它。即使最簡單的電腦視覺演算法也會使用線性代數來操作這些數字像素矩陣，而複雜的電腦視覺應用則涉及數學運算，例如具有可學習內核的矩陣卷積，這些內核會隨著時間的推移而不斷發展。
The simplest way to build high-quality datasets
Our professional workforce is ready to start your data labeling project in 48 hours. We guarantee high-quality datasets delivered fast.
電腦視覺的歷史與研究
電腦視覺領域最早的實驗，發生在 20 世紀 50 年代初，當時使用了早期的神經演算法和網路，這些演算法和網路可以檢測影像的邊緣，然後嘗試將簡單的物體分類為正方形和圓形等類別。
1970 年代中期，電腦視覺系統的第一個商業應用被設計和建構，用於使用光學字元辨識 (OCR) 技術，來解讀打字和/或手寫文字。這項改進主要用於為盲人分析和解讀書面文字。
隨著資訊高速公路在 20 世紀 90 年代發展成為互聯網，創建、組裝和在線上發布大型圖像，以供詳細分析，以及臉部辨識系統蓬勃發展。不斷成長的數據集，使電腦系統能夠辨識影像和照片中的不同人物。這些應用主要用於執法機構和機場。
隨著網路不再只是一個中心，電腦科學家獲得了比以往更多的海量資料存取權限。隨著計算硬體的不斷改進，成本不斷下降，使得高階硬體模型的採購和應用變得輕而易舉。基礎演算法和神經網路在 20 世紀 80 至 90 年代得到了發展和改進。如今，人工智慧領域在誕生 70 多年後，無論在科學創新或商業應用方面都持續進步。
電腦視覺應用
電腦視覺應用的發展，見證了複雜問題被大規模系統化，轉化為廣泛可解的問題陳述。將電腦視覺主題系統地劃分為具有適當命名的獨特類別，使資料科學家能夠辨識特定的挑戰，並在全球有效地展開工作。
人工智慧領域最常見的電腦視覺任務包括：
數位影像分類
自 2010 年突破性的 ImageNet 電腦視覺資料集發布以來，數位影像分類已被證明是最熱門的研究主題之一。
作為初學者和專家都熱衷的電腦視覺專案之一，數位影像分類作為一個問題陳述實際上相對簡單。對於一組影像，任務是僅使用一組先前已分類的樣本影像，將它們分類到一組預先定義的子類別中。
與數位物件偵測和數位影像分割等複雜領域相比，數位影像分類需要處理整個數位影像，並為其分配特定的資料標籤，而數位影像分類則需要處理整個數位影像，並為其分配特定的資料標籤。
數位物件偵測
數位物件偵測，是指使用數位邊界框技術，對不同物件進行追蹤、偵測和定位評估。
這些技術會在數位圖像或影像中搜尋特定類別的屬性，並在這些屬性出現時進行辨識。這些類別（或子類）可以是汽車、動物、人物，或任何經過模型訓練可以搜尋和辨識的物件。
過去，這些方法使用 Haar 特徵集，來偵測數位影像中的屬性特徵，並根據機器學習偵測程序進行分類。
需要注意的是，該過程既耗時又容易出錯。此外，能夠準確檢測的物件數量也存在固有的限制。
因此，像 SSD 這樣利用數百萬個屬性參數，來消除這些限制的複雜深度學習標準，通常被用於此類任務。數位物件偵測通常伴隨著數位物件辨識，也稱為物件分類。
數位影像分割
數位影像分割將數位影像劃分為多個子部分或子對象，以舉例說明電腦視覺系統能夠將可識別的物件與背景或同一影像中的其他數位物件區分開來。
數位影像的數位「片段」，表示神經網路在影像中，辨識出的物件的特定子類，通常由可用於從影像中提取該物件的像素遮罩表示。
Learn more!
Discover how training data can make or break your AI projects, and how to implement the Data Centric AI philosophy in your ML projects.
電腦視覺的進步
當代電腦視覺應用在分析數位影像時，正逐漸擺脫基本的統計程序，而越來越依賴深度學習模型。借助深度學習，電腦視覺系統能夠基於神經網路演算法運行，從而對數位影像資料集進行更精確的分析。此外，深度學習還能讓應用程式保留每個已處理影像的分析資訊 —— 因此，隨著使用次數的增加，應用程式會不斷學習，並變得更加精確。
讓我們來重點介紹一下近期對該領域及其應用產生重大影響的進展：
- 深度學習與神經網路：深度學習與電腦視覺的結合帶來了顛覆性的改變。卷積神經網路 (CNN) 已成為許多電腦視覺應用的支柱。這些網路尤其擅長分析視覺圖像，並且在實現圖像和影像辨識突破方面發揮了非常重要的作用。
- 生成對抗網路 (GAN)：GAN 是一種機器學習框架，其中兩個神經網路相互競爭，以產生新的合成現實。在電腦視覺領域，GAN 已用於影像生成，創造出逼真、與真實照片難以區分的影像。它們也用於圖像增強，例如超解析度和藝術創作。
- 遷移學習：遷移學習是指採用預先訓練好的模型（通常在大型資料集上訓練），並將其作為新的類似問題的起點。這使得快速開發有效的電腦視覺模型成為可能，而無需大量資料集或大量的訓練時間。
- 即時物體偵測與辨識：YOLO（You Only Look Once，只看一次）與 SSD（Single Shot Multibox Detector，單次多框偵測器）等演算法的發展，使得即時物件偵測與辨識成為可能。這對於自動駕駛等應用非常重要，因為及時準確的物體辨識可能關乎生死。
- 3D 視覺與深度感知：3D 視覺的進步，使電腦能夠感知圖像和影像的深度。這在機器人技術領域尤其重要，因為深度感知是機器人與其環境有效互動的必要條件。
- 電腦視覺中的邊緣運算：隨著硬體的進步，電腦視覺模型如今正佈署在智慧型手機、無人機和物聯網設備等邊緣設備上。這使得即時處理無需將資料發送到中央伺服器，從而降低了延遲，並支援在偏遠地區應用。
- 改進的臉部辨識技術：臉部辨識技術取得了顯著進步，新演算法能夠以更高的準確率，從不同角度和光照條件下辨識人臉。這在安全性、身份驗證和監控領域都有應用。
- 資料增強技術：新的資料增強技術已經開發出來，可以透過應用變換和增加可變性來擴展資料集。這使得模型更加穩健，並能更好地泛化到新資料。
- 可解釋人工智慧 (XAI)：隨著電腦視覺系統在越來越關鍵的應用中得到應用，對可解釋性和透明度的需求也日益成長。電腦視覺中的可解釋人工智慧 (XAI) 目的在使人工智慧模型的決策過程，更易於人類理解和解讀。
- 與其他技術的整合：電腦視覺越來越多地與擴增實境 (AR)、虛擬實境 (VR) 和自然語言處理 (NLP) 等其他技術整合，以創造更身臨其境和互動的體驗。
電腦視覺領域的這些進步正在推動醫療保健、汽車、娛樂、製造和農業等各行各業的創新。隨著研究的深入，我們期待更多突破性的進展，進一步拓展電腦視覺的功能和應用。
電腦視覺範例
由於缺乏明確的業務策略、指導和執行挑戰，大多數企業無法充分利用電腦視覺系統。因此，業務數據和分析領導者必須評估其業務價值鏈，以確定哪些領域可以有效利用現有的電腦視覺功能。
話雖如此，電腦視覺系統已在各種行業應用中獲得了商業認可。
人臉辨識
人臉辨識是數位物件偵測的子集，其偵測的直接物件是人臉。與物件偵測（需要注意並定位元素）類似，數位人臉辨識可以對目標人臉進行準確的偵測和辨識。
人臉辨識技術會搜尋最常見的臉部特徵，例如鼻子、眼睛和嘴唇，並利用這些特徵對人臉進行分類。
邊緣偵測
邊緣偵測是成功偵測數位物件邊界的過程。它透過演算法實現，借助數學運算，有助於檢測數位影像中光照或亮度的明顯變化。
此過程通常用作許多後續電腦視覺任務的預處理操作。邊緣檢測主要透過傳統的基於影像處理的演算法來實現，這些演算法可以檢測專門設計的邊緣濾波器。
同樣，數位影像中的邊緣提供了關於實際影像內容的重要資訊，因此所有深度學習方法，都會在內部執行邊緣檢測，以全局捕獲低階可學習的核特徵。最終結果是什麼？一個自學習的電腦視覺系統，利用特徵邊緣公式知識來學習影像偵測和辨識。
數位影像修復
數位影像修復是對舊的、褪色的硬拷貝影像（通常是老照片）的重建過程。標準的數位影像修復程序，涉及透過數學方法，減少加性數位雜訊。同時，數位重建需要對影像進行大量的修改，從而催生出高級數位分析和影像修復的應用。
影像中受損的部分在數位生成模型的幫助下得到修復，這些模型評估和評估影像試圖傳達的內容。修復過程之後通常會進行著色處理，以盡可能自然逼真的形式為圖片主體（如果不是黑白的）著色。
數位場景重建
最棘手的挑戰之一是數位場景重建，即根據照片對實體進行數位 3D 修復或重建。
場景重建中的大多數電腦視覺演算法，大致是透過在特定物體（或實體）表面周圍創建「點雲」，然後從該物體點雲的內部和外部重建數位「網格」來實現的。挑戰源自於原始影像的品質（或品質缺陷）；然而，演算法技術正在逐年不斷改進。
電腦視覺技術的應用
分析和增強數位影像，在許多領域和行業中都大有裨益。以下是一些主要用例：
醫學診斷影像：數位影像分類和模式比對檢測，是醫療電腦視覺的廣泛應用，用於創建軟體系統，幫助醫療專業人員診斷癌症等有害疾病。一群醫學研究人員已經教授並「訓練」了一個電腦視覺系統來分析腫瘤患者的掃描影像。該人工智慧演算法在辨識和檢測癌症掃描影像方面，表現出高達 95% 的準確率。
工廠和供應鏈管理：以最高的準確度，發現和辨識製造過程中的缺陷非常重要。然而，這是一項具有挑戰性的任務，因為它需要對產品進行持續且嚴格的監控。電腦視覺系統可以使用數位攝影機的即時檢測數據，並應用機器學習演算法，來分析傳送帶上最近生產的產品的數據流。這種自動化方法在檢查低品質產品方面，比人工產品檢測更輕鬆、更經濟。
安全系統管理：數位人臉影像辨識基本上，應用於任何需要即時安全保障的領域。在美國，學校使用臉部辨識技術，來辨識和阻止性犯罪者和其他犯罪分子進入校園，從而減少任何潛在威脅。類似的電腦視覺軟體可以辨識學生攜帶的武器，以防止校園暴力行為。航空公司使用臉部辨識系統，進行乘客辨識和報到，節省時間並減輕報到和購票帶來的壓力。
自動駕駛汽車：電腦視覺感測器和數位攝影機幫助汽車學習辨識行人、汽車保險桿、樹木和附近停放的車輛等物體。電腦視覺使這些自動駕駛汽車，能夠在無人監管的環境中，自由安全地行駛。
零售管理：亞馬遜是第一家開設無收銀員，或無收銀機商店的企業。亞馬遜配備了多個電腦視覺攝影機，這些設備可以辨識追蹤顧客放入購物車的商品。這些設備可以追蹤和辨識，顧客是將商品放回貨架，還是將其從虛擬購物車中完全移除。這些設備可以防止商店盜竊，並在發生庫存或產品短缺之前就將其預防。
動物保護系統：電腦視覺幫助生態學家檢索野生動物數據，並在不直接干擾動物的情況下，追蹤稀有物種的位置、活動和行為。
電腦視覺當前面臨的挑戰
電腦視覺系統為各行各業的人類提供了巨大的幫助，其發展機會也無限廣闊。然而，與所有複雜且精密的電腦系統一樣，任何技術都存在著缺陷、瑕疵或演算法執行不力的問題 —— 自動化電腦視覺系統和程式也不例外。
常見挑戰
以下是電腦視覺系統面臨的主要限制：
缺乏專家：企業必須擁有一支由訓練有素的專業人才組成的內部團隊，這些人才必須深諳人工智慧、機器學習和深度學習技術之間的區別，才能「教授」和訓練電腦視覺系統。企業需要高技能的專家來幫助塑造這項技術的未來。這並不意味著企業不能提供諮詢和聘請外部顧問 —— 然而，由於成本高以及此類顧問擁有和需要的寶貴智慧財產權，這只能是短期措施。
定期監控的必要性：如果電腦視覺系統遇到技術問題，或意外中斷，可能會對企業造成巨大影響。因此，公司必須擁有專門的內部團隊，來監控和評估電腦視覺系統。除了定期和計劃外的維護活動外，還需要對電腦視覺演算法進行更新和修改。此外，在將這些修改發佈到電腦視覺生產環境之前進行測試，是一個漫長而耗時的過程。
機器電腦視覺系統面臨的最大挑戰之一是，它們缺乏對人腦和視覺光學系統工作原理的理解。
我們增強且複雜的視覺是與生俱來的。然而，即使我們運用這種非凡的能力，我們仍然無法透過演算法向電腦系統解釋我們理解所見事物的整個過程。
此外，我們日常生活中一些簡單的操作，例如查看時鐘上的時間、在人行道上過馬路，或指向天空中的某個物體，都需要我們充分了解周圍的物體，這樣我們才能理解和領悟周圍的環境。
這些自然的方面，與電腦視覺程式的簡單操作截然不同，但在很大程度上卻密不可分。因此，透過演算法和數學模型模擬和理解人類視覺，需要辨識影像中的物體，並理解其存在及其預期行為。這對人類來說看似簡單，但目前在電腦視覺系統中，進行絕對確定的建模卻頗具挑戰性。
場景理解挑戰
電腦視覺系統能夠很好地定位和辨識數位物件。然而，它們在嘗試理解場景的整體背景時會遇到困難，尤其是在非平凡場景中。
因此，電腦視覺系統無法理解或領悟後現代藝術，也無法理解那些，試圖揭示特定情境的無意義性和意義性的奇異數位工藝品。
不幸的是，人工智慧是一個精確、精準且簡潔的過程，沒有計算誤差的空間。為了提升整體水準，我們需要一種「通用」的人工智慧能力，其解決問題的能力基本上與人類智慧相當。然而，我們距離實現這一目標還很遙遠。
隱私問題挑戰
電腦視覺系統必須遵守本地和國際隱私法律，及監管機構的規定。用於人臉辨識的電腦視覺系統，主要由政府採用，以維護國家安全。人工智慧倫理學家仍在努力確定通用電腦視覺系統對公共福祉的影響，因為人臉辨識資料無所不在，尤其是在雲端系統中。
結論
電腦視覺科學無疑是一個巧妙且創新的領域，它運用最新的機器學習演算法和技術，來創造複雜的軟體系統。這些複雜的系統在各個行業和領域，為人類提供幫助。從野生動物保護到零售應用，再到解決影像分類和人臉模式辨識問題，所需的智慧演算法。電腦視覺技術展現了我們文明正在邁向一個關鍵的新階段，即創造有朝一日將與人類一樣複雜的人工智慧。
0 comments:
張貼留言