在上一部分
“快速有效地训练视频集”中，我们讨论了将神经网络用于与稀有，异常或简单复杂对象相关的任何任务的复杂性。 请务必查看示例，它们是值得的。
事实证明，经典的计算机视觉算法可以极大地帮助您获得高质量的训练集。 当然，这种方法并不适用于所有需要了解的情况。
有什么困难？
如
前一部分所示，对集合进行详细的手动标记是一个非常耗时的过程，并且坦率地说，对于任何理智的人来说，通常都不是可选项。 自动标记，尤其是涉及轮廓时，看起来更有趣，但是如何快速而准确地获取感兴趣的轮廓呢？
会员功能
也许值得从会员功能入手。 假设我们感兴趣的对象的特征是明亮的颜色，此外，该颜色对于特定场景中的对象是唯一的：
考虑到方法的细节（即，需要易于“解析”这样的场景），很容易制定出选择示例以获取训练集的规则：将满足期望对象的颜色唯一性规则的场景将非常有用（请记住，在所有困难的情况下）您将不得不处理已使用生成的集成功训练的神经网络。
实际上，唯一性条件是必要的最低要求，因为颜色可以并且也应该在以下条件上进行处理：
色距
在这种情况下，使用颜色是整个方法中非常重要的一部分。 实际上，隶属度函数可以实现为具有设置的阈值的给定颜色的接近度的函数：
现有解决方案使用几种
Delta E实现方式作为最准确的标准。 例如，LCH颜色空间（L * C * h）中的CIE94：
对于色差而言，阈值太大可能会“破坏”路径，从而捕获与所需对象无关的像素。 太小-仅选择所需对象的一部分。 在这方面，需要注意复杂的场景，例如：
照片中的鲸鱼仍然是肉眼可辨的（当然很难），但是轮廓线的建立不正确。 整个示例：
恢复电路
假设一切都很好用颜色，如何获得所需的轮廓？ 这项任务并不简单，因为结果很可能很复杂，有空腔，次要元素等。 恢复单个对象轮廓的哪个选项正确？
照明很复杂，阴影，反射是三维世界不可或缺的一部分，等等。 我们使用一个更复杂的示例：
获得这种结果的算法如下：
- 源图像
- 扫描步骤选择（对性能至关重要）
- 水平扫描
- 垂直扫描和相交分析以查找孤立的“对象”
- 建立一个元像素阵列（以识别对象的形状和内部特征）并进行后处理（滤波，平滑等）
- 对象还原形状的“矢量化”
相交分析使定位独立的，不相关的区域变得容易。 通过打开扫描线显示模式，您可以轻松地看到方法本身以及扫描步骤对最终结果的影响。 注意带有边框的非常简单的技巧，可以显着改善您的印象：
可以使用以下示例轻松评估重建电路的精度：
期末考试
更多对象，更多轮廓，更好的精度，更好的头发和4K格式-如果您检查实施情况，那么可以欣赏歌曲和舞蹈。
直到下一次，其他同样有趣的细节。
其他结果
跟踪项目的发展
YouTube：
RobotsCanSee电报：
RobotsCanSeeUs