Ce înseamnă Computer vision (vedere artificială)
Computer vision (în română „vedere artificială” sau „vedere computerizată”) este domeniul inteligenței artificiale care se ocupă cu înțelegerea imaginilor și a filmărilor. Scopul nu este doar să păstreze o poză, ci să afle ce se vede în ea: un câine, o mașină, un număr de înmatriculare, o tumoră pe o radiografie.
Sub această umbrelă intră mai multe sarcini: clasificarea imaginilor (ce reprezintă poza), detectarea obiectelor (ce este și unde se află), segmentarea (care pixeli aparțin fiecărui obiect), recunoașterea facială și recunoașterea textului (OCR).
Cum funcționează
Pentru calculator, o imagine este un tabel uriaș de numere: fiecare pixel are valori pentru roșu, verde și albastru. Un model de computer vision învață, din mii sau milioane de imagini etichetate, ce tipare de numere corespund unei pisici sau unui semn de circulație.
Mult timp s-au folosit aproape exclusiv rețelele convoluționale (CNN), care descoperă întâi margini și colțuri, apoi forme, apoi obiecte întregi. Astăzi se folosesc și modele de tip transformer adaptate pentru imagini, precum și modele multimodale care înțeleg în același timp imagini și text.
Pe înțelesul tuturor
Un copil nu primește o definiție a „mărului”; vede sute de mere de culori și mărimi diferite până când le recunoaște singur. Computer vision funcționează asemănător: învață din exemple, nu din reguli scrise de mână.
Exemplu
Camerele de pe drumurile naționale din România citesc automat numerele de înmatriculare pentru a verifica rovinieta, iar multe parcări de la mall-uri ridică bariera fără bilet, pe baza numărului citit. Același tip de tehnologie îți sortează pozele din telefon după „plajă”, „mâncare” sau „persoane”.
De reținut
- Computer vision înseamnă extragerea de informații din imagini și video, nu doar afișarea lor.
- Include clasificare, detectare de obiecte, segmentare, recunoaștere facială și OCR.
- Modelele învață din exemple etichetate și pot greși la imagini foarte diferite de cele din antrenare.
Nu confunda
- Computer vision vs. generare de imagini: computer vision înțelege imagini existente; modelele text-to-image creează imagini noi. Unele modele moderne le fac pe amândouă.
Termeni înrudiți
- Recunoașterea obiectelor: Sarcina prin care un model AI găsește obiectele dintr-o imagine, spune ce sunt și unde se află fiecare.
- Segmentarea imaginilor: Sarcina de computer vision care împarte o imagine în zone, marcând pixel cu pixel ce aparține fiecărui obiect.
- OCR (recunoaștere optică a caracterelor): Tehnologie care transformă textul dintr-o poză sau dintr-un document scanat în text editabil și căutabil.
- Recunoaștere facială: Tehnologie care identifică sau confirmă identitatea unei persoane comparând trăsăturile feței cu imagini cunoscute.
- CNN (rețea neuronală convoluțională): Tip de rețea neuronală specializat pe imagini, care caută tipare mici (margini, colțuri) și le combină în forme și obiecte.
- Mașină autonomă: Vehicul care folosește senzori și AI pentru a percepe drumul și a conduce, parțial sau complet, fără intervenția unui șofer.