Осваиваем компьютерное зрение — 8 основных шагов
- суббота, 27 июля 2019 г. в 00:21:00
https://habr.com/ru/post/461365/
Привет, читатель.
Для тебя уже не является новостью тот факт, что все на себе попробовали маски старения через приложение Face App. В свою очередь для компьютерного зрения есть задачи и поинтереснее этой. Ниже представлю 8 шагов, которые помогут освоить принципы компьютерного зрения.
Прежде, чем начать с этапов давайте поймём, какие задачи мы с вами сможем решать с помощью компьютерного зрения. Примеры задач могут быть следующими:
Итак, теперь давайте приступим непосредственно к этапам.
Этот шаг посвящен техническим основам.
Посмотрите — отличный YouTube-плейлист «Древние секреты компьютерного зрения» от Joseph Redmon.
Прочтите — третью главу книги Ричарда Шелиски «Компьютерное зрение: Алгоритмы и приложения».
Закрепите знания — попробуйте себя в преобразовании изображений с помощью OpenCV. На сайте есть много пошаговых электронных пособий, руководствуясь которыми можно во всём разобраться.
Оптический поток — это последовательность изображений объектов, получаемая в результате перемещения наблюдателя или предметов относительно сцены.
Пройдите курс — курс по компьютерному зрению на Udacity, в особенности урок 6.
Посмотрите — 8-ое видео в YouTube-списке и лекцию об оптическом потоке и трекинге.
Прочтите — разделы 10.5 и 8.4 учебника Шелиски.
В качестве учебного проекта разберитесь с тем, как с помощью OpenCV отслеживать объект в видеофрейме.
В компьютерном зрении, сегментация — это процесс разделения цифрового изображения на несколько сегментов (суперпиксели). Цель сегментации заключается в упрощении и/или изменении представления изображения, чтобы его было проще и легче анализировать.
Так, преобразование Хафа позволяет найти круги и линии.
Посмотрите эти видео:
Ознакомьтесь — отличный проект подобные задачи которого чрезвычайно важны для компьютерного зрения самоуправляемых электромобилей.
Для различных данных требуется специфичный подход к фитингу и свои алгоритмы.
Посмотрите видео:
Прочтите — разделы 4.3.2 и 5.1.1 учебника Шелиски.
В качестве задания для самостоятельной работы проанализируйте проблему определения координаты места схождения линий на горизонте перспективы.
Посмотрите Youtube-плейлист
Прочтите — сопроводительное письмо.
Для проекта можно взять собственные данные. Например, сфотографировать с разных сторон что-то из мебели и сделать в OpenCV из альбома плоских изображений 3D-объект.
Умея создавать 3D-объекты из плоских изображений, можно попробовать создать и трёхмерную реальность.
Пройдите — курс по стереозрению и трекингу
Посмотрите видео:
В качестве проекта попытайтесь реконструировать сцену или сделать трекинг объекта в трехмерном пространстве.
В качестве фреймворка для глубокого обучения удобно использовать TensorFlow. Это один из наиболее популярных фреймворков, поэтому вы без труда отыщете достаточно примеров. Для начала работы с изображениями в TensorFlow пройдите этот туториал.
Далее, пользуясь ссылками, рассмотрите следующие темы:
В качестве проекта создайте в TensorFlow нейросеть, определяющую по изображению марку автомобиля или породу собаки.
Прочитайте — лекции Стенфордского курса
Посмотрите видео:
На этом наши шаги в изучении компьютерного зрения подошли к концу. Надеюсь вы узнали для себя что-нибудь новое. Как принято на Хабре, понравился пост — поставь плюс. Не забудьте поделиться с коллегами. Также, если у вас есть то, чем вы можете поделиться сами — пишите в комментариях. Больше информации о машинном обучении и Data Science на Хабре и в телеграм-канале Нейрон (@neurondata).
Всем знаний!
- Python
- Программирование
- Data Mining
- Big Data
- Машинное обучение
Привет, читатель.
Для тебя уже не является новостью тот факт, что все на себе попробовали маски старения через приложение Face App. В свою очередь для компьютерного зрения есть задачи и поинтереснее этой. Ниже представлю 8 шагов, которые помогут освоить принципы компьютерного зрения.
Прежде, чем начать с этапов давайте поймём, какие задачи мы с вами сможем решать с помощью компьютерного зрения. Примеры задач могут быть следующими:
- Сегментация изображений
- Детектирование объектов
- Классификация изображений
- Отслеживание движущихся объектов во времени
- Распознавание лиц
- Оптическое распознавание символов
- Генерация изображений
Минимальные знания, необходимые для освоения компьютерного зрения
- Уверенное владение синтаксисом Python;
- Математический анализ;
- Линейная алгебра;
- Библиотека OpenCV
- Фреймворк глубокого обучения TensorFlow
Итак, теперь давайте приступим непосредственно к этапам.
Шаг 1 — Базовые методики работы с изображениями
Этот шаг посвящен техническим основам.
Посмотрите — отличный YouTube-плейлист «Древние секреты компьютерного зрения» от Joseph Redmon.
Прочтите — третью главу книги Ричарда Шелиски «Компьютерное зрение: Алгоритмы и приложения».
Закрепите знания — попробуйте себя в преобразовании изображений с помощью OpenCV. На сайте есть много пошаговых электронных пособий, руководствуясь которыми можно во всём разобраться.
Шаг 2 — Отслеживание движения и анализ оптического потока
Оптический поток — это последовательность изображений объектов, получаемая в результате перемещения наблюдателя или предметов относительно сцены.
Пройдите курс — курс по компьютерному зрению на Udacity, в особенности урок 6.
Посмотрите — 8-ое видео в YouTube-списке и лекцию об оптическом потоке и трекинге.
Прочтите — разделы 10.5 и 8.4 учебника Шелиски.
В качестве учебного проекта разберитесь с тем, как с помощью OpenCV отслеживать объект в видеофрейме.
Шаг 3 — Базовая сегментация
В компьютерном зрении, сегментация — это процесс разделения цифрового изображения на несколько сегментов (суперпиксели). Цель сегментации заключается в упрощении и/или изменении представления изображения, чтобы его было проще и легче анализировать.
Так, преобразование Хафа позволяет найти круги и линии.
Посмотрите эти видео:
Ознакомьтесь — отличный проект подобные задачи которого чрезвычайно важны для компьютерного зрения самоуправляемых электромобилей.
Шаг 4 — Фитинг
Для различных данных требуется специфичный подход к фитингу и свои алгоритмы.
Посмотрите видео:
Прочтите — разделы 4.3.2 и 5.1.1 учебника Шелиски.
В качестве задания для самостоятельной работы проанализируйте проблему определения координаты места схождения линий на горизонте перспективы.
Шаг 5 — Совмещение изображений, полученных с разных точек осмотра
Посмотрите Youtube-плейлист
Прочтите — сопроводительное письмо.
Для проекта можно взять собственные данные. Например, сфотографировать с разных сторон что-то из мебели и сделать в OpenCV из альбома плоских изображений 3D-объект.
Шаг 6 — Трёхмерные сцены
Умея создавать 3D-объекты из плоских изображений, можно попробовать создать и трёхмерную реальность.
Пройдите — курс по стереозрению и трекингу
Посмотрите видео:
В качестве проекта попытайтесь реконструировать сцену или сделать трекинг объекта в трехмерном пространстве.
Шаг 7 — Распознавание объектов и классификация изображений
В качестве фреймворка для глубокого обучения удобно использовать TensorFlow. Это один из наиболее популярных фреймворков, поэтому вы без труда отыщете достаточно примеров. Для начала работы с изображениями в TensorFlow пройдите этот туториал.
Далее, пользуясь ссылками, рассмотрите следующие темы:
- Семантическая сегментация: категоризация объектов, сцен, деятельности
- Обнаружение объектов (non max подавление, скользящие окна, ограничивающие боксы и якоря, подсчёт элементов)
- YOLO и Darknet, нейросети для предложения областей (region proposal networks)
- Контролируемые алгоритмы классификации (обучение с учителем)
- Визуальные атрибуты
- Оптическое распознавание символов
- Детектирование лиц
В качестве проекта создайте в TensorFlow нейросеть, определяющую по изображению марку автомобиля или породу собаки.
Шаг 8 — Современное глубокое обучение
Прочитайте — лекции Стенфордского курса
Посмотрите видео:
На этом наши шаги в изучении компьютерного зрения подошли к концу. Надеюсь вы узнали для себя что-нибудь новое. Как принято на Хабре, понравился пост — поставь плюс. Не забудьте поделиться с коллегами. Также, если у вас есть то, чем вы можете поделиться сами — пишите в комментариях. Больше информации о машинном обучении и Data Science на Хабре и в телеграм-канале Нейрон (@neurondata).
Всем знаний!