@INBOOK{Gumiński2021:i6659,
	author="{Gumiński, Marcin}",
	title="{Korekcja algorytmów detekcji obiektów dla wizji komputerowej}",
	year="2021",
	type="rozdział w monografii naukowej",
	language="pl",
	booktitle="{Technologie przyszłości. Nowoczesne technologie w informatyce}",
	publisher="{Akademia im. Jakuba z Paradyża w Gorzowie Wielkopolskim}",
	pages="127--132",
	url="http://cwn.ajp.edu.pl/2022/12/126/",
	keywords="uczenie maszynowe, głębokie uczenie, sztuczna inteligencja, detekcja obiektów, korekcja, uczenie nadzorowane",
	abstract="{Terminem „wizji komputerowej” określamy system służący odtworzeniu funkcjonalności
ludzkiego oka za pomocą zautomatyzowanego przetwarzania obrazu z kamery bądź też
systemu współpracujących ze sobą kamer cyfrowych. Tak więc jest to zagadnienie dwojakie,
dotyczące zarówno fizyki działania samego sprzętu, jak i procesu dalszego przetwarzania
danych. System wizyjny składa się z kamery (hardware), która rejestruje cyfrowy obraz oraz
z algorytmu, przetwarzającego obraz zgodnie z dedykowanym przeznaczeniem. Pierwszy
element systemu wizyjnego stanowi kamera cyfrowa – urządzenie wyposażone w optykę
tworzącą obraz wybranego przedmiotu na matrycy CCD bądź CMOS. Przy czym matryce
CCD najszersze zastosowanie znalazł w astronomii, natomiast matryce CMOS stosowane
są w powszechnie dostępnych urządzeniach komercyjnych, w tym mobilnych. Drugim
elementem, na którym zamierzamy się skupić w poniższym artykule, są algorytmy wizji
komputerowej, które przetwarzają mapę bitową w odpowiedni sposób celem pozyskania
pożądanych informacji. Algorytmy te możemy podzielić na algorytmy klasyczne, korzystające
z dobrze zdefiniowanych metod matematycznych – takich jak na przykład algorytm kompresji
oparty o falki Haara, detekcja krawędzi Canny czy też detekcja linii Hougha, jak również
o algorytmy uczenia maszynowego i głębokiego uczenia określane zbiorczym mianem
„sztucznej inteligencji”, które wyróżnia to, że nie są oparte na uprzednio zdefiniowanej formule,
tylko ich działanie zależy od wytrenowania na pochodzącym z zewnątrz oznaczonym zbiorze
danych zwanym datasetem. Zaletą tego podejścia jest, że algorytmy uczenia maszynowego
i głębokiego uczenia znajdują zastosowanie w bardzo szerokim wachlarzu przypadków,
przy czym jednym z lepszych przykładów są algorytmy detekcji obiektów. Skuteczność
tych algorytmów nigdy nie jest jednak stuprocentowa i mogą wymagać one różnego rodzaju
korekcji. Niniejszy artykuł jest poświęcony teoretycznej stronie tego zagadnienia.}",
}