SkarpMiten kone näkee? Kolme askelta kuvan tunnistamisesta kohteen paikantamiseen
Kolme lyhyttä kuuntelujaksoa seuraa konenäön etenemistä kuvien luokittelusta kohteiden paikantamiseen ja avoimen sanaston tunnistukseen. Arkiset esimerkit paljastavat, miksi pieni muutos kuvassa voi hämätä mallia, miten rajauslaatikot syntyvät ja kuinka sanat voivat auttaa tunnistamaan uusia kohteita.
The first lecture plays free — no account needed.
What you'll learn
- Kuuntelijat osaavat ennustaa, miten rajaus, valaistus ja kuvakulma voivat muuttaa kuvaluokittelijan tulosta sekä miten harjoitusaineiston muuntelu vähentää tätä herkkyyttä.
- Kuuntelijat osaavat jäljittää, miten kohteentunnistin muuttaa kuva-alue-ehdotukset luokiksi ja rajauslaatikoiksi sekä miksi samaa kohdetta kuvaavat päällekkäiset havainnot täytyy yhdistää.
- Kuuntelijat osaavat selittää, miten kuvien ja tekstien yhteinen esitysavaruus mahdollistaa avoimen sanaston tunnistuksen sekä miksi sanamuoto ja hienojakoiset visuaaliset erot voivat silti johtaa virheeseen.
Prerequisites
- Peruskäsitys siitä, että digitaalinen kuva koostuu pikseleistä
- Kuvaluokittelun perusidea
- Opittujen kuvapiirteiden käsite
- Kuvaluokittelu
- Rajauslaatikoilla tehtävä kohteiden paikantaminen
- Mallin varmuuspisteen perusidea
Course Content
3 modules · 19 min total
Sama muki, eri vastaus: miksi kuvakulma hämää luokittelijaa?
Kuuntelijat osaavat ennustaa, miten rajaus, valaistus ja kuvakulma voivat muuttaa kuvaluokittelijan tulosta sekä miten harjoitusaineiston muuntelu vähentää tätä herkkyyttä.
Yksi kuva, kolme koiraa: miten malli päättää, mihin laatikko piirretään?
Kuuntelijat osaavat jäljittää, miten kohteentunnistin muuttaa kuva-alue-ehdotukset luokiksi ja rajauslaatikoiksi sekä miksi samaa kohdetta kuvaavat päällekkäiset havainnot täytyy yhdistää.
Voiko lause ”raidallinen punainen muki” opettaa koneen etsimään uuden kohteen?
Kuuntelijat osaavat selittää, miten kuvien ja tekstien yhteinen esitysavaruus mahdollistaa avoimen sanaston tunnistuksen sekä miksi sanamuoto ja hienojakoiset visuaaliset erot voivat silti johtaa virheeseen.
Read the Textbook
Read every chapter for free, right here in your browser.
Tilanne: muki keittiön pöydällä
Kuvitellaan sama sininen muki kahdessa valokuvassa. Ensimmäisessä muki näkyy sivulta, kahva erottuu selvästi ja tausta on vaalea. Toisessa kuva on otettu ylhäältä: kahva jää lähes piiloon, mukin suuaukko hallitsee kuvaa ja pöydän puunsyy näkyy paljon enemmän.
Ihmiselle kyse on yhä samasta mukista. Kuvaluokittelija ei kuitenkaan aloita käsitteestä "sama esine". Se saa vain pikseliarvoja ja muuttaa ne kerros kerrokselta opituiksi piirteiksi: reunoiksi, kaariksi, värialueiksi, tekstuureiksi ja niiden yhdistelmiksi.
Study Flashcards
Key concepts from this course as flashcard pairs.
Yksi kuva, kolme koiraa: miten malli päättää, mihin laatikko piirretään?
Kohde-ehdotus
Mahdollista kohdetta kuvaava laatikkoaihio, jolle annetaan piste siitä, erottuuko se todennäköisesti taustasta.
Rajauslaatikko
Suorakulmio, joka arvioi kohteen sijainnin ja koon kuvassa.
I O U
Kahden laatikon päällekkäisen alueen suhde niiden yhdisteen pinta-alaan.
N M S -karsinta
Menettely, joka säilyttää vahvimman havainnon ja poistaa sitä hyvin päällekkäiset heikommat kaksoiskappaleet.
More in Technology
See all →
Defending at Machine Speed: AI-Accelerated Vulnerability Management
Reading the EU Cloud and AI Development Act
Operationalizing the NIST AI RMF and Generative AI Profile in Practice
Google Cloud Associate Cloud Engineer: Complete Exam-Ready Masterclass
AWS Certified Cloud Practitioner (CLF-C02) Fast-Track Prep
