Введение в Computer Vision: Как научить компьютер видеть

Оглавление

Группа авторов. Введение в Computer Vision: Как научить компьютер видеть

Введение в мир компьютерного зрения

Основные принципы работы компьютерного зрения

Краткая история развития компьютерного зрения

Области применения технологий компьютерного зрения

Задачи и вызовы компьютерного зрения в современном мире

Понятие цифрового изображения и его основные характеристики

Предобработка изображений для компьютерного зрения

Различие между компьютерным зрением и обработкой изображений

Основы работы с цветом и его представление

Форматы изображений и их применение в задачах анализа

Методы извлечения признаков из изображений

Основы математической обработки изображений

Роль линейной алгебры в компьютерном зрении

Сегментация изображений и её алгоритмы

Определение контуров и ключевых точек изображения

Методы классификации объектов на изображениях

Роль нейронных сетей в компьютерном зрении

Обзор популярных архитектур в области компьютерного зрения

Практическое использование сверточных нейронных сетей

Обучение модели для компьютерного зрения с нуля

Методы увеличения данных для улучшения модели

Оценка точности и качества моделей компьютерного зрения

Использование готовых решений и предварительно обученных моделей

Распознавание лиц как частный случай компьютерного зрения

Компьютерное зрение в системах безопасности и мониторинга

Автоматизация с помощью технологий компьютерного зрения

Будущее компьютерного зрения и перспективы технологий

Заключение

Отрывок из книги

Компьютерное зрение основано на принципах обработки и интерпретации визуальной информации, что требует понимания ряда ключевых концепций и технологий, которые лежат в основе этой области. В этой главе мы рассмотрим основные принципы, которые помогают компьютерам "видеть" и "понимать" изображения, а также разберем применяемые методы и алгоритмы.

1. Преобразование изображений

.....

Собранные признаки могут быть использованы для обучения моделей, которые будут выполнять задачи классификации или распознавания объектов. На этапе обучения мы предоставляем модели данные с известными метками, что позволяет ей "учиться" на этих данных и находить зависимости.

Современные методы обучения, такие как нейронные сети, особенно глубокие нейронные сети, показывают высокую эффективность в задачах компьютерного зрения. Например, сверточные нейронные сети (CNN) применяются для классификации изображений. Библиотека TensorFlow облегчает реализацию и обучение моделей:

.....