總覽
-
計算機視覺是一種允許數字世界與現實世界互動的技術。
-
探索5個最熱門的計算機視覺應用程序
- 使用計算機視覺進行姿態估計
- 使用Gans進行圖像轉換
- 基於計算機視覺的社交距離工具
- 將2D圖像轉換爲3D模型
- 醫學圖像分析
介紹
我10年前就開始了使用Facebook,如果你也使用了很長時間的Facebook,就會知道手動標記照片的方法,但是現在我們不用手動標記這些圖片了。Facebook可以識別上傳圖片中的大多數人,並提供標記他們的建議;同樣,你肯定已經在Snapchat上看到了這些有趣的過濾器,在其中,人們使用了狗過濾器來獲得了狗的臉。你有沒有想過這一切是怎麼辦到的?我們的手機如何能夠檢測到我們的面部並在上面添加濾鏡?這其實是一些計算機視覺應用程序。
計算機視覺是數據科學世界中最熱門的研究領域之一,而且它已經成爲我們個人生活的一部分。我們都在不知不覺的使用各種功能,這些功能在後端運行計算機視覺技術,例如,我們在智能手機中使用面部解鎖。下圖有效地說明了人臉檢測的工作原理。
我選擇人臉檢測作爲本文的開頭,因爲這是我們都已經知道的計算機視覺的一種應用。但是請相信我,計算機視覺不僅限於此,在本文中,我們將探索計算機視覺中更多有趣應用。
目錄 - 什麼是計算機視覺?
- 使用計算機視覺進行姿態估計
- 使用Gans進行圖像轉換
- 基於計算機視覺的社交距離工具
- 將2D圖像轉換爲3D模型
- 醫學圖像分析
什麼是計算機視覺?
在進入計算機視覺應用程序世界之前,首先,讓我們瞭解一下計算機視覺是什麼?簡而言之,計算機視覺是人工智能的一個多學科分支,旨在複製人類視覺的強大功能。
正式定義如下,
“計算機視覺是一種實用工具,可以根據感知到的圖像對實際的物理對象和場景做出有用的決策”(Sockman&Shapiro,2001)
計算機視覺通過諸如圖像分類,對象檢測,圖像分割,對象跟蹤,光學字符識別,圖像字幕等視覺識別技術來工作。我知道這些是一系列的技術術語,但理解它們並不難,只需看下面的圖片,你就會理解這些術語。
讓我們從第一張圖片開始。如果我問你圖片中有什麼?你的答案會是:一隻貓,這其實是對圖片進行了分類,這意味着基於圖像的分類標記圖像,這裏的類別是“貓”。
現在你知道圖像的類別了,下一個問題是對象在圖像中的位置。當我們確定對象在圖像中的位置並在其周圍創建一個邊界框時,這稱爲定位。在第二張圖像中,我們已經確定了對象的位置並將其標記爲貓。
下一項是對象檢測,在前兩種情況下,圖像中只有一個對象,但是如果存在多個對象該怎麼辦,在這裏,我們通過邊界框確定存在的實例及其位置。
在對象檢測中,我們使用形狀爲正方形或矩形的邊界框,但是它不能告訴任何有關對象形狀的信息。實例分割會在每個對象周圍創建一個像素級模板,因此實例分割使人們對圖像有了更深入的瞭解。
如果你想了解有關Computer Vision的更多信息,請查看以下資源: - 使用深度學習2.0課程的計算機視覺
https://courses.analyticsvidhya.com/courses/computer-vision-using-deep-learning-version2 - 認證程序:初學者的計算機視覺
https://courses.analyticsvidhya.com/bundles/computer-vision-combo - 神經網絡入門 (免費)
https://courses.analyticsvidhya.com/courses/getting-started-with-neural-networks - 從零開始的卷積神經網絡(CNN)(免費)
https://courses.analyticsvidhya.com/courses/convolutional-neural-networks-cnn-from-scratch
近期發展
深度學習方法最新發展和技術的進步極大地提高了視覺識別系統的功能,如今計算機視覺已被公司迅速採用,可以在整個工業領域看到成功的計算機視覺用例,從而擴大了應用範圍,並增加了對計算機視覺工具的需求。
現在,讓我們一起來看看計算機視覺的5個最熱門的應用程序。
使用計算機視覺進行姿態估計
姿態估計是計算機視覺的一個很有趣的應用。你一定已經聽說過Posenet,它是用於人體姿態估計的開源模型。簡而言之,姿態估計是一種計算機視覺技術,可以推斷圖像/視頻中存在的人或物體的姿勢。
在討論姿態估計的工作之前,讓我們首先了解“人體姿勢骨架”,它是定義了一個人姿勢的一組座標,此外,通過識別,定位和跟蹤圖像或視頻中人類姿勢骨架的關鍵點來執行姿態估計。
以下是人體姿態估計的一些應用- - 用於實時體育分析或監視系統的活動識別。
- 增強現實體驗
- 訓練機器人
- 動畫和遊戲
如果你想自己開發一個姿態估計模型,下面是一些可能用到的數據集: - COCO keypoint challenge
https://cocodataset.org/#download - HUMANEVA
http://humaneva.is.tue.mpg.de/
我發現Google的DeepPose(https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/42237.pdf) 是一篇非常好的研究論文,它使用了深度學習模型來進行姿態估計。若要進行更深入的研究,你可以訪問有關姿態估計的多個研究論文(https://paperswithcode.com/task/pose-estimation)
使用Gans進行圖像轉換
Faceapp是一個非常有趣和流行的應用程序。它是一種圖像處理工具,可使用濾鏡對輸入圖像進行轉換。過濾器包括老化或最近的性別交換過濾器。
看上面的圖片,有趣嗎?幾個月前,這是互聯網上的熱門話題,人們分享了變換性別之後的圖片。但是這類應用程序背後的技術是什麼?是的,你猜對了,它是計算機視覺,更具體地說,它是一個深層次的卷積生成的對抗性網絡。
生成對抗網絡,俗稱GAN,是計算機視覺領域的一項令人振奮的創新。儘管GAN是一個古老的概念,但目前的形式是由Ian Goodfello在2014年提出的,從那以後,它有了很多發展。
GAN的訓練涉及兩個相互競爭的神經網絡,根據給定訓練數據的分佈生成新的數據。儘管它最初提出是作爲一種無監督學習機制,但是GAN證明了自己是有監督學習和半監督學習的理想選擇。
要了解有關Gans工作的更多信息,請查看下面的文章。 - 什麼是生成模型和GAN?計算機視覺的魔力
https://www.analyticsvidhya.com/blog/2020/01/generative-models-gans-computer-vision/
以下是我個人推薦的一些有關GAN的必讀研究論文 - A Style-Based Generator Architecture for Generative Adversarial Networks
https://arxiv.org/abs/1812.04948 - Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks
https://arxiv.org/abs/1511.06434 - Conditional Generative Adversarial Nets
https://arxiv.org/abs/1411.1784 - Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
https://arxiv.org/abs/1703.10593
以下是一些數據集,可幫助你獲得GANs的實踐經驗 - CelebA
http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html - Flicker face dataset
https://github.com/NVlabs/ffhq-dataset - Cartoonset
https://google.github.io/cartoonset/
應用領域
使用Gans生成的圖像應用程序有很多,以下是它的一些應用程序 - 風格轉換和照片修復中的圖對圖翻譯
- 圖像超分辨率
- 文字到圖像的生成
- 圖片編輯
- 語義圖像到照片的翻譯
基於計算機視覺的社交距離工具
在過去的幾個月中,世界正遭受大流行COVID-19的困擾。發現在沒有該疾病的疫苗之前,我們所有人都必須採取預防措施,使用洗手液,口罩,最重要的是保持社交距離。
在這種關鍵情況下,計算機視覺技術可以發揮至關重要的作用,它可用於跟蹤房屋或特定區域中的人員,以瞭解他們是否遵守社會距離規範。
社交距離工具是對象檢測和實時跟蹤的應用程序。爲了檢查社交距離違規行爲,我們使用邊界框檢測視頻中存在的每個人,然後我們跟蹤每個框的運動並計算它們之間的距離,如果它檢測到任何違反社會距離規範的行爲,則將突出顯示那些邊界框。
此外,爲使這些工具更先進,更準確,你可以使用遷移學習技術。各種預訓練的對象檢測模型(如YOLO或Mask R-CNN)都是來源可用的。
以下文章可幫助你自己創建社交隔離工具
- 你的社交區別檢測工具:
https://www.analyticsvidhya.com/blog/2020/05/social-distancing-detection-tool-deep-learning/?utm_source=blog&utm_medium=top_5_applications_of_computer_vision
將2D圖像轉換爲3D模型
這是計算機視覺的另一個非常有趣的應用,它將二維圖像轉換爲3D模型。例如,假設你收藏了一張照片,計算機視覺能夠將其轉換爲3D模型,給人3D的感觀效果。
Deep Mind的研究人員提出了一個在實現相似功能的AI系統,它被稱爲Generative Query Network(生成查詢網絡),它可以像人類一樣從不同角度感知圖像。
此外,Nvidia還開發了一種AI架構,可以根據圖像預測3D屬性,同樣的,Facebook AI也提供了一種類似的工具,稱爲3D照片功能。
以下是一些相關的數據集,可供你進行試驗 - IKEA dataset
http://ikea.csail.mit.edu/ - Opensurface dataset
http://opensurfaces.cs.cornell.edu/ - NYU Depth dataset
https://cs.nyu.edu/~silberman/datasets/nyu_depth_v2.html - ObjectNet3D
https://cvgl.stanford.edu/projects/objectnet3d/
另外,請查看這些有趣的論文以瞭解有關該應用程序的更多信息。 - https://paperswithcode.com/task/3d-reconstruction
應用領域
以下是該技術的應用場景。 - 動畫與遊戲
- 機器人技術
- 自動駕駛汽車
- 醫學診斷和外科手術
醫療保健中的計算機視覺:醫學圖像分析
很長一段時間以來,醫學圖像被用於診斷,如CT掃描、X射線等。計算機視覺技術的最新發展使醫生能夠通過將圖像轉換爲三維交互式模型來更好地理解這些圖像,並使其更易於解釋。
如果我們瞭解一下計算機視覺的最新使用案例,那麼我們會發現它是在用胸部x光檢查COVID-19病例的,此外根據武漢市放射科的一項研究,深度學習方法可以有效地區分Covid-19和社區獲得性肺炎。
瞭解一下由Kaggle提供的COVID-19胸部x光數據集,並在實施過程中自己動手。 - COVID-19胸部x光數據集:https://www.kaggle.com/bachrr/covid-chest-xray
如果你想使用另一個數據集,那麼你也可以在Kaggle上獲得CT醫學圖像(https://www.kaggle.com/kmader/siim-medical-images) 。此外,如果你希望瞭解更多有關醫療圖像處理及其在醫療保健中的應用,請閱讀這些研究論文及其實現。 - 相關論文:https://www.engpaper.com/cse/medical-image-processing.html
總而言之,計算機視覺是人工智能中一個引人入勝的領域。在本文中,討論了一些我發現很有趣的東西,但這只是冰山一角。
參考鏈接:https://www.analyticsvidhya.com/blog/2020/07/5-exciting-computer-vision-applications-with-relevant-datasets/