Bonjour lecteur.
Pour vous, le fait que tout le monde ait essayé les masques vieillissants via
l' application Face n'est plus d'actualité. À son tour, pour la vision par ordinateur, il existe des tâches plus intéressantes que cela. Ci-dessous, je présenterai 8 étapes qui vous aideront à maîtriser les principes de la vision par ordinateur.
Avant de commencer les Ă©tapes, comprenons quelles
tâches vous et moi pouvons résoudre à l'aide de la vision par ordinateur. Voici des exemples de tâches:
Les connaissances minimales requises pour maîtriser la vision par ordinateur
Passons maintenant aux Ă©tapes.
Étape 1 - Techniques d'imagerie de base
Cette Ă©tape concerne les bases techniques.
DĂ©couvrez cette superbe liste de lecture YouTube,
The Ancient Secrets of Computer Vision, de
Joseph Redmon.Lisez le troisième chapitre du
livre Computer Vision: Algorithms and Applications de Richard Sheliski
.
DĂ©veloppez vos connaissances - essayez-vous
Ă transformer des images avec OpenCV. Le site contient de nombreux
manuels électroniques pas à pas , guidés par lesquels vous pouvez tout comprendre.
Étape 2 - Suivi du mouvement et analyse du flux optique
Un flux optique est une séquence d'images d'objets obtenues en déplaçant un observateur ou des objets par rapport à une scène.
Suivez le cours -
un cours de vision par ordinateur à Udacity , en particulier la leçon 6.
Jetez un coup d'Ĺ“il -
la 8e vidéo sur la liste YouTube et une conférence sur le flux optique et le suivi.
Lire - sections 10.5 et 8.4 du
manuel Sheliski.
En tant que projet de formation, découvrez comment utiliser OpenCV pour
suivre un objet dans une image vidéo.Étape 3 - Segmentation de base
En vision par ordinateur, la
segmentation est le processus de division d'une image numérique en plusieurs segments (super pixels). La segmentation a pour but de simplifier et / ou modifier la présentation d'une image afin qu'elle soit de plus en plus facile à analyser.
Ainsi,
la transformation Hough vous permet de trouver des cercles et des lignes.
Découvrez ces vidéos:
DĂ©couvrez -
un excellent projet dont les tâches similaires sont extrêmement importantes pour la vision par ordinateur des véhicules électriques autonomes.
Étape 4 - Montage
Différentes données nécessitent une approche d'ajustement spécifique et leurs propres algorithmes.
Regardez la vidéo:
Lire - sections 4.3.2 et 5.1.1 du
manuel Sheliski.En tant que tâche pour un travail indépendant, analysez le
problème de la détermination des coordonnées du lieu où les lignes convergent sur l'horizon de perspective.Étape 5 - Combinaison d'images obtenues à partir de différents points d'inspection
DĂ©couvrez la
playlist YoutubeLisez la
lettre d'accompagnement.Pour le projet, vous pouvez prendre vos propres données. Par exemple, prenez une photo de meubles de différents côtés et créez un objet 3D dans OpenCV à partir d'un album d'images plates.
Étape 6 - Scènes 3D
Être capable de créer des objets 3D à partir d'images plates, vous pouvez essayer de créer une réalité en trois dimensions.
Take -
Cours de vision stéréo et de suiviRegardez la vidéo:
En tant que projet, essayez de
reconstruire la scène ou de
suivre un objet dans un espace tridimensionnel .
Étape 7 - Reconnaissance d'objets et classification d'images
Il est pratique d'utiliser TensorFlow comme cadre d'apprentissage en profondeur. C'est l'un des frameworks les plus populaires, vous pouvez donc facilement trouver suffisamment d'exemples. Pour commencer avec les images dans TensorFlow, suivez
ce tutoriel .
De plus, en utilisant des liens, examinez les sujets suivants:
En tant que projet, créez un réseau de neurones dans TensorFlow qui détermine la
marque de la voiture ou la
race du chien Ă partir de l'
image .
Étape 8 - Apprentissage profond moderne
Lire -
Cours de StanfordRegardez la vidéo:
Sur ce point, nos étapes dans l'étude de la vision par ordinateur ont pris fin. J'espère que vous avez appris quelque chose de nouveau par vous-même. Comme d'habitude sur Habré, j'ai aimé le post - mettez un plus. N'oubliez pas de partager avec vos collègues. Aussi, si vous avez quelque chose que vous pouvez partager vous-même - écrivez dans les commentaires. Plus d'informations sur l'apprentissage automatique et la science des données sur
Habré et dans la chaîne de télégramme
Neuron (@neurondata).
Toutes les connaissances!