Depending on the amount of data to process, file generation may take longer.

If it takes too long to generate, you can limit the data by, for example, reducing the range of years.

Chapter

Download BibTeX

Title

Korekcja algorytmów detekcji obiektów dla wizji komputerowej

Authors

[ 1 ] Wydział Techniczny, Akademia im. Jakuba z Paradyża | [ P ] employee

Scientific discipline (Law 2.0)

[2.3] Information and communication technology

Year of publication

2021

Chapter type

chapter in monograph

Publication language

polish

Keywords
PL
  • uczenie maszynowe, głębokie uczenie, sztuczna inteligencja, detekcja obiektów, korekcja, uczenie nadzorowane
Abstract

PL 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.

Date of online publication

2022

Pages (from - to)

127 - 132

URL

http://cwn.ajp.edu.pl/2022/12/126/

Book

Technologie przyszłości. Nowoczesne technologie w informatyce

License type

CC BY-NC (attribution - noncommercial)

Open Access Mode

other

Open Access Text Version

final published version

Release date

03.2022

Date of Open Access to the publication

at the time of publication

Ministry points / chapter

20