Nors erdvinės transformacijos keičia vaizdo geometrinę struktūrą ir pikselių koordinates, kad padėtų dirbtinio intelekto modeliams atpažinti objektus, neatsižvelgiant į jų orientaciją ar mastelį, spalvų transformacijos modifikuoja pikselių intensyvumo vertes visuose spalvų kanaluose, kad užtikrintų, jog kompiuterinio matymo sistemos išliktų atsparios kintančioms apšvietimo sąlygoms ir aplinkos šešėliams.
Vaizdo kadre esančių pikselių geometrinių koordinačių ir struktūrinio išdėstymo keitimas.
Pikselių intensyvumo verčių ir spalvų kanalų balansų reguliavimas nekeičiant vaizdo geometrijos.
| Funkcija | Erdvinės transformacijos | Spalvų transformacijos |
|---|---|---|
| Pagrindinis dėmesys | Geometrinė struktūra ir pikselių išdėstymas | Pikselių intensyvumas ir spalvų spektro vertės |
| Pikselių koordinatės | Dinamiškai keičiamas naudojant atvaizdavimo formules | Išlikti visiškai statiškam ir nepakitusiam |
| Pagrindinės dirbtinio intelekto mokymo nauda | Moko orientacijos ir mastelio nekintamumo | Moko apšvietimo ir aplinkos nekintamumo |
| Anotacijos poveikis | Reikia atnaujinti ribojančius langelius arba segmentavimo kaukes | Anotacijos ir etiketės išlieka visiškai identiškos |
| Tipinės operacijos | Sukimas, mastelio keitimas, kirpimas, perkėlimas | Ryškumas, kontrastas, sodrumas, saulės spinduliuotė |
| Skaičiavimo matematika | Matricos daugyba koordinačių tinkleliais | Elementinės skaliarinės operacijos kanalų matricose |
Erdvinės transformacijos remiasi geometrinių atvaizdavimo matricomis, kad perkeltų pikselius iš jų pradinių koordinačių į naujas vietas dvimatėje tinklelyje. Kai vaizdas sukasi arba tempiamas, interpoliacijos algoritmai turi apskaičiuoti, kur patenka duomenys, kad naujame kadre neatsirastų tuščių tarpų. Spalvų transformacijos veikia visiškai kitoje plokštumoje, palikdamos erdvinį tinklelį nepaliestą, o matematiniai veiksmai atliekami tiesiogiai raudoname, žaliame ir mėlyname skaitmeniniuose kanaluose. Užuot perkėlus pikselio vietą, spalvų modifikacijos daugina arba prideda vertes prie pikselių intensyvumo, kad pakeistų jo išvaizdą.
Geometrinių pakeitimų įgyvendinimas padidina mašininio mokymosi duomenų srautų sudėtingumą, nes etiketės turi deformuotis kartu su vaizdais. Jei transporto priemonės mokomasis vaizdas yra apverčiamas arba apkirpiamas, inžinerinis srautas turi akimirksniu perskaičiuoti bet kokių esamų objektų aptikimo ribojančių langelių ar segmentavimo kaukių koordinates, kad jos atitiktų naują išdėstymą. Spalvų papildymai visiškai išvengia šių skaičiavimo išlaidų. Kadangi fizinės objektų ribos niekada nejuda keičiantis ryškumui ar atspalviui, originalios mokomosios etiketės išlieka visiškai tikslios be jokio koregavimo.
Šie du metodai sukuria skirtingus mentalinius modelius neuroniniame tinkle. Erdviniai koregavimai apmoko algoritmą, kad būtų pasiektas požiūrio taško invariantiškumas, užtikrinant, kad drono kamera galėtų atpažinti pastatą, nesvarbu, ar jis skrenda tiesiai virš galvos, ar artėja iš aštraus šono. Spalvų koregavimai didina atsparumą aplinkai, paruošdami modelį chaotiškai fizinio pasaulio realybei. Tai užtikrina, kad veido atpažinimo sistema arba autonominės transporto priemonės kamera patikimai veiktų giedrą popietę, rūkanotą rytą arba esant dirbtiniam natrio gatvių apšvietimui.
Abu metodai gali pakenkti mokymo efektyvumui, jei inžinierių komandos juos taiko pernelyg agresyviai. Destruktyvus erdvinis iškraipymas gali netyčia visiškai iškirpti tikslinį objektą iš matomo kadro atsitiktinio apkirpimo metu, priversdamas tinklą mokytis neteisingų asociacijų iš tuščių fonų. Kita vertus, neapgalvotas spalvų manipuliavimas gali išplauti gyvybiškai svarbias kontrastingas linijas arba taip radikaliai pakeisti spalvas, kad modelis tampa painus, pavyzdžiui, simuliatoriuje žalias šviesoforo signalas gali tapti raudonas, o tai sutrikdo sistemos sprendimų priėmimo logiką.
Vaizdo apvertimas horizontaliai reikalauja sudėtingo tikslinių klasių perženklinimo.
Pačių klasių žymės niekada nesikeičia, nors reikia apversti ribojančių langelių horizontalias koordinačių vertes. Šis procesas yra matematiškai paprastas ir automatizuotas šiuolaikinių duomenų srautų, nereikalaujant rankinio žmogaus įsikišimo.
Vaizdo konvertavimas į pilkos spalvos atspalvį laikomas erdviniu optimizavimu.
Spalvų pavertimas vienspalvėmis yra griežtai spalvų transformacija, nes raudonos, žalios ir mėlynos spalvų kanalai sujungiami į vieną intensyvumo kanalą. Kiekvienas pikselis viso proceso metu išlieka tikslioje pradinėje koordinačių padėtyje.
Dirbtinio intelekto modeliai natūraliai supranta, kad objektas yra toks pats, kai apverčiamas aukštyn kojomis.
Konvoliuciniai neuroniniai tinklai yra nepaprastai jautrūs orientacijai, nebent jie būtų specialiai apmokyti kitaip. Modelis, apmokytas vien tik vertikaliais laivų vaizdais, visiškai neatpažins apvirtusio laivo, nebent erdvinės transformacijos jam išmokytų tos perspektyvos.
Spalvų koregavimas naudingas tik tam, kad vaizdai atrodytų gražesni arba švaresni mokymo tikslais.
Pagrindinis tikslas iš tikrųjų yra padaryti vaizdus netvarkingus ir įvairius. Atsitiktinių spalvų, ryškumo ir kontrasto iškraipymų įvedimas sąmoningai meta iššūkį modeliui, neleisdamas jam pasikliauti konkrečiomis spalvų paletėmis prognozėms daryti.
Rinkitės erdvines transformacijas, kai jūsų dirbtinio intelekto modeliui reikia atpažinti objektus, kurie realiame pasaulyje atrodo nenuspėjamais kampais, atstumais ar orientacijomis. Derinkite jas su spalvų transformacijomis, kai jūsų diegimo aplinkai būdingas nenuspėjamas apšvietimas, besikeičiančios oro sąlygos arba skirtingos kameros jutiklių savybės, kurios keičia spalvų profilius.
„DeepSeek V4“ yra kylantis atvirojo svorio didelių kalbų modelis, sukurtas Kinijos dirbtinio intelekto laboratorijoje, o GPT-4 klasės modeliai nurodo „OpenAI“ flagmanines uždarojo kodo sistemas. Šiame palyginime nagrinėjama jų architektūra, galimybės, kainos, prieinamumas ir našumas realiame pasaulyje, siekiant padėti kūrėjams ir įmonėms išmintingai pasirinkti.
„Google“ paieška yra plataus masto žiniatinklio indeksavimo variklis, kurį dauguma žmonių naudoja kasdien, o „Knowledge Graph Search“ yra „Google“ struktūrizuotų objektų duomenų bazė, kurioje pateikiami tiesioginiai atsakymai ir informacijos skydeliai. Supratimas, kuo jie skiriasi, padeda paaiškinti, kodėl kai kurios užklausos pateikia išsamius faktus, o kitos – tradicines mėlynas nuorodas.
„Google“ paieškos algoritmas reitinguoja milijardus tinklalapių, naudodamas mašininį mokymąsi ir šimtus signalų, o supaprastinti klasių modeliai perteikia dirbtinio intelekto koncepcijas į lengvai mokomas, prieinamas sistemas. Viena sistema veikia planetos mastu gamyboje; kita tarnauja kaip pedagoginis tiltas mokiniams, mokantis, kaip iš tikrųjų veikia dirbtinis intelektas.
„Vienas su vienu“ atitikimo metodas kiekvienam pagrindiniam objektui priskiria vieną numatomą langelį, o „daugelis su vienu“ atitikimo metodas leidžia kelias prognozes suderinti su vienu taikiniu. Abi strategijos formuoja tai, kaip šiuolaikiniai detektoriai, tokie kaip DETR ir „Faster R-CNN“, mokosi lokalizuoti objektus, kiekvienas iš jų turi skirtingus kompromisus tikslumo, mokymo stabilumo ir pasikartojančių aptikimų tvarkymo srityse.
A/B testavimas modeliuose nukreipia srautą tarp konkuruojančių modelio versijų, kad būtų galima įvertinti realų našumą, o diegiant vieną modelį visiems vartotojams pateikiamas vienas modelis. Komandos renkasi iš jų pagal rizikos toleranciją, srauto kiekį ir statistinio patvirtinimo poreikį prieš visišką diegimą.
