ในขณะที่การแปลงเชิงพื้นที่จะเปลี่ยนแปลงโครงสร้างทางเรขาคณิตและพิกเซลพิกัดของภาพ เพื่อช่วยให้โมเดล AI สามารถจดจำวัตถุได้โดยไม่คำนึงถึงทิศทางหรือขนาด การแปลงสีจะปรับเปลี่ยนค่าความเข้มของพิกเซลในช่องสีต่างๆ เพื่อให้มั่นใจได้ว่าระบบคอมพิวเตอร์วิชั่นยังคงทนทานต่อสภาพแสงที่ผันผวนและเงาจากสภาพแวดล้อม
การปรับเปลี่ยนพิกัดทางเรขาคณิตและโครงสร้างของพิกเซลภายในกรอบภาพ
ปรับค่าความเข้มของพิกเซลและสมดุลของช่องสีโดยไม่เปลี่ยนแปลงรูปทรงเรขาคณิตของภาพ
| ฟีเจอร์ | การแปลงเชิงพื้นที่ | การเปลี่ยนสี |
|---|---|---|
| จุดเน้นหลัก | โครงสร้างทางเรขาคณิตและการจัดวางพิกเซล | ค่าความเข้มของพิกเซลและสเปกตรัมสี |
| พิกเซลพิกัด | ปรับเปลี่ยนแบบไดนามิกผ่านสูตรการแมป | คงสภาพนิ่งสนิทและไม่เปลี่ยนแปลง |
| ประโยชน์หลักของการฝึกอบรม AI | สอนเรื่องการวางแนวและการไม่เปลี่ยนแปลงตามขนาด | สอนเรื่องความไม่เปลี่ยนแปลงของแสงและสภาพแวดล้อม |
| ผลกระทบของคำอธิบายประกอบ | จำเป็นต้องอัปเดตกรอบขอบเขตหรือมาสก์การแบ่งส่วน | คำอธิบายและป้ายกำกับยังคงเหมือนเดิมทุกประการ |
| การดำเนินงานทั่วไป | การหมุน การปรับขนาด การเฉือน การเลื่อน | ความสว่าง ความคมชัด ความอิ่มตัวของสี การลดแสงสะท้อน |
| คณิตศาสตร์เชิงคำนวณ | การคูณเมทริกซ์ผ่านตารางพิกัด | การดำเนินการสเกลาร์แบบทีละองค์ประกอบบนอาร์เรย์ช่องสัญญาณ |
การแปลงเชิงพื้นที่อาศัยเมทริกซ์การแมปทางเรขาคณิตเพื่อเลื่อนพิกเซลจากพิกัดเดิมไปยังตำแหน่งใหม่บนตารางสองมิติ เมื่อภาพหมุนหรือยืดออก อัลกอริทึมการประมาณค่าจะต้องคำนวณว่าข้อมูลจะไปอยู่ที่ใดเพื่อป้องกันช่องว่างในเฟรมใหม่ การแปลงสีทำงานในระนาบที่แตกต่างออกไปโดยสิ้นเชิง โดยไม่แตะต้องตารางเชิงพื้นที่ในขณะที่ทำการคำนวณทางคณิตศาสตร์โดยตรงกับช่องสัญญาณตัวเลขสีแดง สีเขียว และสีน้ำเงิน แทนที่จะเลื่อนตำแหน่งของพิกเซล การปรับเปลี่ยนสีจะคูณหรือบวกค่าความเข้มของพิกเซลเพื่อเปลี่ยนลักษณะที่ปรากฏ
การเปลี่ยนแปลงทางเรขาคณิตทำให้เกิดความซับซ้อนเพิ่มเติมในกระบวนการประมวลผลข้อมูลการเรียนรู้ของเครื่อง เนื่องจากป้ายกำกับต้องปรับเปลี่ยนไปตามภาพ หากภาพฝึกอบรมของยานพาหนะถูกพลิกหรือตัด กระบวนการทางวิศวกรรมจะต้องคำนวณพิกัดของกรอบสี่เหลี่ยมสำหรับการตรวจจับวัตถุหรือมาสก์การแบ่งส่วนที่มีอยู่ใหม่ทันทีเพื่อให้ตรงกับเค้าโครงใหม่ การเพิ่มสีช่วยหลีกเลี่ยงภาระการคำนวณนี้ได้อย่างสมบูรณ์ เนื่องจากขอบเขตทางกายภาพของวัตถุไม่เคยขยับเขยื้อนในระหว่างการเปลี่ยนแปลงความสว่างหรือเฉดสี ป้ายกำกับฝึกอบรมดั้งเดิมจึงยังคงถูกต้องแม่นยำอย่างสมบูรณ์โดยไม่ต้องปรับแต่งใดๆ
วิธีการทั้งสองสร้างแบบจำลองทางจิตที่แตกต่างกันภายในเครือข่ายประสาทเทียม การปรับแต่งเชิงพื้นที่ฝึกอัลกอริทึมเพื่อให้เกิดความไม่แปรผันตามมุมมอง ทำให้มั่นใจได้ว่ากล้องโดรนสามารถระบุอาคารได้ไม่ว่ามันจะบินอยู่เหนืออาคารโดยตรงหรือเข้าใกล้จากมุมด้านข้างที่เฉียบคม การปรับแต่งสีสร้างความยืดหยุ่นต่อสภาพแวดล้อม เตรียมแบบจำลองให้พร้อมสำหรับความเป็นจริงที่วุ่นวายของโลกทางกายภาพ ซึ่งทำให้มั่นใจได้ว่าระบบจดจำใบหน้าหรือกล้องของยานพาหนะอัตโนมัติทำงานได้อย่างน่าเชื่อถือในช่วงบ่ายที่อากาศแจ่มใส เช้าที่มีหมอก หรือภายใต้แสงไฟถนนโซเดียมเทียม
เทคนิคทั้งสองอย่างนี้อาจส่งผลเสียต่อประสิทธิภาพการฝึกฝนหากทีมวิศวกรรมนำไปใช้มากเกินไป การบิดเบือนเชิงพื้นที่แบบทำลายล้างอาจทำให้วัตถุเป้าหมายถูกตัดออกจากเฟรมภาพโดยไม่ได้ตั้งใจในระหว่างการตัดภาพแบบสุ่ม ทำให้เครือข่ายต้องเรียนรู้ความสัมพันธ์ที่ไม่ถูกต้องจากพื้นหลังที่ว่างเปล่า ในทางกลับกัน การปรับแต่งสีอย่างไม่ระมัดระวังอาจทำให้เส้นตัดกันที่สำคัญจางหายไป หรือเปลี่ยนสีอย่างรุนแรงจนทำให้โมเดลสับสน เช่น การเปลี่ยนไฟจราจรสีเขียวเป็นสีแดงในโปรแกรมจำลอง ซึ่งจะทำให้ตรรกะการตัดสินใจของระบบเสียหาย
การพลิกภาพในแนวนอนต้องใช้การกำหนดป้ายกำกับคลาสเป้าหมายใหม่ที่ซับซ้อน
ป้ายกำกับคลาสเองจะไม่เปลี่ยนแปลง แต่คุณต้องกลับค่าพิกัดแนวนอนของกรอบล้อมรอบวัตถุ กระบวนการนี้ตรงไปตรงมาทางคณิตศาสตร์และจัดการโดยอัตโนมัติโดยระบบประมวลผลข้อมูลสมัยใหม่โดยไม่จำเป็นต้องมีการแทรกแซงจากมนุษย์อีกครั้ง
การแปลงภาพเป็นภาพขาวดำถือเป็นการปรับแต่งเชิงพื้นที่อย่างหนึ่ง
การลดสีให้เหลือเพียงขาวดำนั้นเป็นการแปลงสีอย่างแท้จริง เพราะเป็นการรวมช่องสีแดง เขียว และน้ำเงินเข้าเป็นช่องความเข้มสีเดียว ทุกพิกเซลจะยังคงอยู่ในตำแหน่งพิกัดเดิมอย่างแม่นยำตลอดกระบวนการ
โมเดล AI เข้าใจโดยธรรมชาติว่าวัตถุยังคงเหมือนเดิมแม้จะพลิกกลับหัว
โครงข่ายประสาทเทียมแบบคอนโวลูชันมีความไวต่อทิศทางอย่างมาก เว้นแต่จะได้รับการฝึกฝนมาเป็นพิเศษ แบบจำลองที่ฝึกฝนโดยใช้เฉพาะภาพเรือที่ตั้งตรงเท่านั้น จะไม่สามารถจดจำเรือที่คว่ำได้เลย เว้นแต่จะใช้การแปลงเชิงพื้นที่เพื่อสอนให้มันเข้าใจมุมมองนั้น
การปรับสีมีประโยชน์เฉพาะในการทำให้ภาพดูสวยงามหรือคมชัดขึ้นสำหรับการฝึกอบรมเท่านั้น
เป้าหมายหลักคือการทำให้ภาพดูยุ่งเหยิงและหลากหลาย การใส่สี ความสว่าง และความคมชัดที่ผิดเพี้ยนแบบสุ่มเข้าไปนั้น จงใจท้าทายโมเดล ป้องกันไม่ให้โมเดลพึ่งพาชุดสีเฉพาะในการคาดการณ์
เลือกใช้การแปลงเชิงพื้นที่เมื่อโมเดล AI ของคุณจำเป็นต้องจดจำวัตถุที่ปรากฏในมุม ระยะทาง หรือทิศทางที่ไม่สามารถคาดเดาได้ในโลกแห่งความเป็นจริง ผสานรวมกับการแปลงสีเมื่อสภาพแวดล้อมการใช้งานของคุณมีแสงที่ไม่แน่นอน สภาพอากาศที่เปลี่ยนแปลง หรือคุณภาพของเซ็นเซอร์กล้องที่แตกต่างกันซึ่งเปลี่ยนแปลงโปรไฟล์สี
AI slop หมายถึงเนื้อหา AI ที่ผลิตออกมาจำนวนมากโดยใช้ความพยายามน้อยและขาดการกำกับดูแล ในขณะที่งาน AI ที่มีมนุษย์ควบคุมนั้นเป็นการผสมผสานปัญญาประดิษฐ์เข้ากับการตัดต่อ การกำกับ และการตัดสินใจเชิงสร้างสรรค์อย่างรอบคอบ ความแตกต่างมักอยู่ที่คุณภาพ ความคิดริเริ่ม ประโยชน์ใช้สอย และว่ามีบุคคลจริงเข้ามามีส่วนร่วมในการกำหนดผลลัพธ์สุดท้ายหรือไม่
AI ที่มีมนุษย์เข้ามาเกี่ยวข้อง (Human-in-the-Loop AI) ผสานประสิทธิภาพของเครื่องจักรเข้ากับการตัดสินใจของมนุษย์ในจุดสำคัญ ในขณะที่ระบบ AI อัตโนมัติเต็มรูปแบบ (Fully Automated AI Systems) ทำงานอย่างอิสระตั้งแต่ต้นจนจบ แต่ละแนวทางมีข้อดีข้อเสียที่แตกต่างกันในด้านความแม่นยำ ความสามารถในการขยายขนาด ต้นทุน และความรับผิดชอบ ซึ่งเป็นตัวกำหนดว่าแนวทางใดเหมาะสมกับกรณีการใช้งานนั้นๆ
การเปรียบเทียบทางสถาปัตยกรรมนี้เน้นให้เห็นถึงความแตกต่างหลักระหว่างระบบ AI ที่รับรู้บริบท ซึ่งวิเคราะห์ข้อมูลสถานการณ์แบบไดนามิก เช่น ความตั้งใจของผู้ใช้ ประวัติ และสภาพแวดล้อม กับระบบที่ไม่รับรู้บริบท ซึ่งประมวลผลข้อมูลนำเข้าเป็นเหตุการณ์แยกต่างหากโดยอาศัยกฎที่กำหนดไว้ล่วงหน้าเท่านั้น
AI ที่เสริมด้วยการค้นหาจะดึงข้อมูลแบบเรียลไทม์จากแหล่งข้อมูลภายนอกในขณะที่ทำการค้นหา ในขณะที่การฝึกฝนโดยใช้ชุดข้อมูลเพียงอย่างเดียวจะอาศัยความรู้ที่ฝังอยู่ในน้ำหนักของโมเดลระหว่างการฝึกฝนเท่านั้น แต่ละแนวทางมีข้อดีข้อเสียที่แตกต่างกันในด้านความแม่นยำ ต้นทุน ความทันสมัย และความสามารถในการจัดการกับคำถามที่อยู่นอกขอบเขตการฝึกฝนดั้งเดิม
ระบบ AI แบบกระจายศูนย์จะกระจายสติปัญญา ข้อมูล และการคำนวณไปยังโหนดอิสระต่างๆ โดยมักให้ความสำคัญกับความเปิดกว้างและการควบคุมของผู้ใช้ ในขณะที่ระบบ AI ขององค์กรนั้นได้รับการจัดการจากส่วนกลางโดยบริษัทต่างๆ โดยมุ่งเน้นที่ประสิทธิภาพ ผลกำไร และการบูรณาการผลิตภัณฑ์ ทั้งสองแนวทางนี้มีส่วนกำหนดวิธีการสร้าง การกำกับดูแล และการเข้าถึง AI แต่มีความแตกต่างกันอย่างมากในด้านความโปร่งใส การเป็นเจ้าของ และการควบคุม
