Apa pun, bukan objek yang paling sepele (atau hanya langka) dapat dengan mudah membuat banyak masalah dengan hampir setiap upaya untuk menggunakan jaringan saraf untuk menyelesaikan masalah nyata. Jelas, kurangnya pelatihan waras mengatur secara signifikan memperumit jumlah skenario untuk menggunakan pendekatan neurostem.
Apa yang harus dilakukan, misalnya, dengan spesies belalang langka, pengakuan perwakilannya, karena satu dan lain alasan, telah menjadi tugas yang sangat penting.
Semua hasil / contoh diperoleh secara independen (dan cepat).
Objek khusus
Dunia nyata, seperti tugas nyata, sangat unik, tidak biasa, dan seringkali sangat spesifik dalam hal warna, bentuk, perilaku, dll.
Untuk berhasil memecahkan masalah terkait, data diperlukan (set pelatihan, dalam kasus kami). Dan karena tidak semua orang mencoba membangun autopilot "paling benar" atau mencari senyum dalam foto, penciptaan set yang diperlukan menjadi masalah utama.
Setuju, kemungkinan menemukan set yang siap pakai dan berkualitas tinggi untuk beberapa gaya pewarnaan yang sangat spesifik cenderung nol:
Ngomong-ngomong, algoritme youtube tampak agak palsu ketika sampai pada tubuh yang dicat. Setidaknya konten yang dikembalikan terlihat agak kontroversial.
Cara menandai yang biasa
Nah, anggap markup manual tidak terlihat sangat menakutkan - Anda tidak takut pekerjaan monoton atau sumber kerumunan cocok untuk kualitas hasil dan biaya. Tapi ini benar selama turun ke kotak pembatas (contoh basi digunakan, untuk tujuan ilustrasi saja):
Apa yang harus dilakukan jika spesifikasi tugas memerlukan pencarian kontur yang tepat? Masker RCNN adalah solusi yang cukup, tetapi membutuhkan set pelatihan yang berkualitas tinggi dan akurat. Dan untuk menggambar kontur, seperti yang Anda tahu, ini bukan persegi panjang untuk ditandai dan pekerjaan seperti itu akan membutuhkan beberapa upaya lain.
Pendekatan otomatis
Pertanyaan abadi: "Apa yang harus dilakukan?". Jawabannya tidak kalah sepele - untuk mengotomatisasi. Algoritma klasik dari visi komputer memungkinkan mencapai hasil yang dapat diterima asalkan beberapa kondisi dasar terpenuhi.
Sebenarnya, itu adalah pengenaan kondisi tambahan yang tidak memungkinkan menggunakan pendekatan ini sebagai solusi utama. Namun demikian, algoritma standar yang benar memungkinkan Anda untuk dengan cepat mendapatkan perangkat berkualitas tinggi, beragam, dan mudah diperluas.
Sangat berkualitas sehingga perubahan warna yang biasa di area yang dipilih terlihat seperti solusi yang hampir jadi:
Lebih lanjut tentang pendekatan lain kali.
Contoh Pelatihan Set
Pendekatan untuk menghasilkan set pelatihan dari video nyaman karena hasil akhir berisi secara eksklusif "contoh nyata" dan benar-benar nyata yang mencerminkan variabilitas dan kompleksitas dunia nyata. Misalnya, bibir:
Hasil lainnya
Ikuti perkembangan proyek
YouTube:
RobotsCanSeeTelegram:
RobotsCanSeeUs