Изображение начинается с массива чисел
Цифровое изображение представляет собой сетку пикселей. В сером изображении каждый пиксель хранит интенсивность, в цветном обычно есть несколько каналов. Уже на этом уровне можно менять яркость, контраст и масштаб. Свёрточные фильтры анализируют локальные соседства: одни сглаживают шум, другие подчёркивают границы. Важно понимать, что даже простое изменение размера может потерять детали, поэтому подготовка данных влияет на последующие алгоритмы.
Классические методы строят явные признаки
До распространения глубоких нейронных сетей системы часто выделяли углы, границы, текстуры и другие признаки вручную заданными алгоритмами. Затем эти признаки передавались классификатору или использовались для сопоставления объектов. Такие методы остаются полезными в задачах с понятной геометрией, ограниченными данными или требованиями к объяснимости. Они также помогают понять, почему локальная структура изображения вообще содержит информацию об объекте.
Нейронные сети обучают признаки на данных
Свёрточные нейронные сети и более новые архитектуры учатся извлекать представления из размеченных или иным образом организованных данных. Ранние слои могут реагировать на простые структуры, поздние объединяют их в более сложные признаки. В задачах классификации модель выбирает класс изображения, в детекции дополнительно находит положение объектов, а в сегментации присваивает класс отдельным пикселям или областям. Архитектура выбирается по задаче, а не по принципу «чем больше модель, тем лучше».
Качество зависит от данных и правильной проверки
Высокая точность на тренировочных изображениях не гарантирует работу в реальном мире. Модель может запомнить фон, освещение или особенности конкретной камеры. Поэтому данные делят на обучение и независимую проверку, а тестовая выборка должна быть похожа на реальные условия использования. Для разных задач применяют разные метрики: точность класса, полноту, precision, IoU и другие. Одной цифры недостаточно без понимания того, какие ошибки особенно критичны.
Попробуйте на практике
Смоделируйте простой конвейер компьютерного зрения для различения двух типов объектов.
- Опишите, какие изображения поступают на вход и при каких условиях они снимаются.
- Выберите одинаковый размер и способ подготовки всех изображений.
- Предложите один классический признак и один вариант нейросетевого подхода.
- Разделите условные данные на обучение и независимую проверку.
- Запишите два типа ошибок, которые важно анализировать отдельно.
Как проверить результат. Конвейер готов, если этапы от исходного изображения до оценки результата связаны логически, а качество проверяется на данных, которые не использовались для обучения.
Частые вопросы
Компьютерное зрение просто распознаёт картинки?
Нет. Оно включает классификацию, детекцию, сегментацию, отслеживание объектов, оценку геометрии и множество других задач.
Нейронные сети полностью заменили классические алгоритмы?
Нет. Классические методы остаются полезными в некоторых задачах и хорошо дополняют нейросетевые решения.
Почему модель ошибается на хорошей фотографии?
Причина может быть в отличии реальных данных от обучающих, плохой разметке, редком случае или неверно выбранной постановке задачи.
Самостоятельный разбор темы. Содержание конкретной обучающей программы здесь не представлено.