ディープラーニングは他の画像処理アルゴリズムを置き換えるために使用できますか?
近年、ディープラーニング技術の登場により、視覚画像処理がますます注目され、さまざまな分野で広く利用されるようになり、同時に多くの実践者が現れています。しかし、多くの人はディープラーニングのみを使用し、従来の画像処理アルゴリズムは時代遅れだと考えています。画像処理はあまりにも一般的になり、従来のアルゴリズムは時代遅れで敷居が非常に低くなり、誰でも使えるようになった、という話を誰かが聞いたことがある。正直に言うと、そのような発言を聞くと、本当に言葉を失うことがあります
#今日は少し時間があったので、この問題について話したいと思います。まず、画像処理は主に何に使用されているのかを分析してみましょう。画像処理がどの業界で使用されているかに関係なく、画像処理の主な機能には、識別、分類、位置決め、検出、サイズ測定、視覚的誘導などが含まれます。それでは今日は、ディープラーニングの応用例をいくつか具体的に紹介したいと思います。同時に、従来の画像処理技術が依然としてその役割を果たしているかどうかも確認する必要があります。
まず、上記で述べた視覚の主な機能が何であるかを簡単に紹介します。識別と分類の間には一定のつながりがあります。顔認識、ナンバープレート認識、文字認識、バーコード/QRコード認識、商品カテゴリ認識、果物認識などはすべて画像認識技術であり、認識完了後に認識結果が直接与えられる場合もあれば、分類が必要な場合もあります。 。たとえば、混合生産ラインで識別された製品は分類して梱包する必要があります。
中国語に書き直すと次のようになります。 位置決めの方法にはさまざまなものがあり、大まかにターゲットの位置がわかればよい場合もあれば、ロボットが自動的に掴めるように正確な位置決めが必要な場合もあります。検出方法には、ターゲット検出と欠陥検出があります。ターゲット検出では、通常、シーン内にターゲットが存在するかどうかを知る必要があるだけですが、欠陥検出では、欠陥が存在するかどうかを検出するだけでなく、欠陥のサイズとカテゴリも決定する必要があります。サイズ測定の目標は非常に明確です。 、視覚を通じて対象物体を検出するため、特定のサイズが要件を満たしているかどうか。視覚的な誘導とロボットの自動掴みが組み合わされています。ターゲットの位置を正確に特定する必要があり、また、ロボットの移動時にターゲットが落下しないように掴む特定の位置も決定する必要があります。以下にいくつか挙げます。具体的なケースは、その方法を示しています。ディープラーニングを使用してそれを達成できます。同社はこれらの画像の公開を望んでいないため、以下の写真はその一部のみをキャプチャしたものであり、具体的な内容を特定することはできません。
以下のすべての例は企業の実際のニーズであり、画像も現場で撮影されました。まずは簡単な文字認識の例を見てみましょう。このケースの要件は、これらの文字が正しいかどうかを判断することです。1 秒あたり 20 文字を処理する必要があります。予算はビジュアル システムあたり 2 万元、生産ラインは 100 本、総コストは 200 万元です。それはすべきだと思いますか、すべきではないと思いますか? 200万元というとすでに大金ですが、ビジョンシステムの価格は1台あたりわずか2万元です。儲かるでしょうか?さらに、ホスト コンピューターが誤った文字を認識した場合、
を自動的に削除する必要があります。簡単な分析では、1 秒あたり 20 個の製品、つまり各製品を検出できることがわかります。 50 ミリ秒以内に完了する必要があります。同時に、ホスト コンピュータは信号を拒否メカニズムに送信する必要があり、信号の安定性を確保するために 20 ミリ秒を確保する必要があります。残りの 30 ミリ秒は、写真の撮影と画像処理に使用されます。ディープラーニングのトレーニングでは、産業用コンピューターの構成を考慮する必要があります。さらに、PLC、除去装置、カメラ、光源、レンズ、キャビネット、その他の小さな付属品のコストを考慮する必要があります。手動によるオンサイト試運転にはどれくらいの費用がかかりますか?総費用はいくらですか? 別の例を挙げてみましょう。下の図は溶接欠陥の検出を示しています。溶接欠陥にはさまざまな種類があり、ディープラーニングを使用してトレーニングと検出に 1 週間を費やした人もいます。彼らは検査結果は素晴らしかったと言ってくれましたが、1か月後にまた私のところに来て、費用を支払う余裕がなく、検査結果が悪かったと言いました。考えてみてください、なぜこれが起こるのでしょうか?#例として、下の図を見てみましょう。両面の厚みが均一であるか、表面に欠陥がないかを確認する必要があります。では、ディープラーニングを使用してこの問題を解決するにはどうすればよいでしょうか?かつて、半年にわたって現場でデバッグを行った人がいましたが、最終的には顧客は満足できませんでした
深層学習を使用してロボットを自動的に把持し、把持した物体の傾斜角度を検出してロボットの姿勢を調整するにはどうすればよいでしょうか?
ディープ ラーニングを使用して、一定期間使用されたばねのサイズを測定し、適格かどうかを判断するにはどうすればよいでしょうか?ベアリング、ギア、ねじなどの他の同様のパラメータを測定するにはどうすればよいですか?
上記の事例は実際の事例のほんの一部であり、ボルトの自動締め付け、掴みの乱れ、ミクロンレベルの精密な位置決めなど、同様の検知手法は後を絶たない。 。しかし、残念なことに、多くの人はディープラーニングのみを使用しており、基本的な画像の概念も理解せずに、画像処理は時代遅れであり、ディープラーニングが他の画像処理方法に取って代わったと主張する人もいます。もっと実際の事例に触れていれば、こんなことは言わないはずです。
多くの人は、深層学習モデルに画像を入力するだけで学習できると誤解しています。効果が不十分な場合は、次のように追加してください。サンプルをトレーニングしたり、パラメータを調整したりすることで、目的の効果を達成できます。ただ言えるのは、このイメージの理解はあまりにも表面的すぎるということです。最も一般的な画像アプリケーションは顔認識やナンバープレート認識ですが、これらの認識タスクについては、認識要件が高くないため、ディープラーニングを使用してもそれほど問題はありません。認識に時間がかかったり、認識エラーが発生したりしても、それほど大きな問題にはなりません。例えば、顔認証決済では、顔を認識できない場合は手動で支払うことも選択できますし、ナンバープレート認識およびアクセスコントロールシステムでは、ナンバープレートや顔を認識できない場合はドアを開けることも選択できます。手動で。ただし、完全に自動化されたアプリケーション シナリオでは、この状況は許可されません。特定の状況です。さらに、トレーニングの前に、通常は他の画像処理アルゴリズムを使用する必要があります。
公開データセットを使用して深層学習モデルをトレーニングし、記事を書くだけの人もいますが、これは問題ありません。しかし、これらのモデルが実際のアプリケーションに適用されるには、まだ長い道のりがあります。私の馴染みの会社では、外観検査を担当する博士課程の人材を採用しましたが、半年経っても結果が出ず、トップから厳しく批判されました。なぜなのかご存知ですか?
ディープラーニングはアプリケーション分野で重要な役割を果たしていますが、これは否定できない事実です。ただし、これは目視検査の一部にすぎず、他の多くの側面で実装できるわけではありません。現在の視覚検出技術は、一部の単純なシーンにしか適用できず、多くの複雑なシーンでは、どのようなアルゴリズムを使用しても効果的な検出を達成できません。したがって、視覚画像処理アルゴリズムにはまだ長い道のりがあり、深層学習で画像をトレーニングする場合、通常、フィルタリング、強調、しきい値セグメンテーション、エッジ検出、形態学的操作など、元の画像の何らかの処理が必要になります。場合によっては、深層学習トレーニングのために画像を処理して画像の特徴を直接抽出することも必要になります。視覚的な仕事に携わっている多くの人は、この原則を理解しています。徹底的な理論研究も有望ですが、それにはより高い個人の理論的能力が必要です。実際のビジョン アプリケーションを使用したことがない場合は、画像処理が時代遅れである、他の画像処理アルゴリズムはもう使用されていない、ディープ ラーニングが他の画像処理アルゴリズムに取って代わっているなどと軽々しく主張しないことが最善です。従来の画像処理アルゴリズムはどうですか?この質問に対する答えは明らかだと思います。まだ不明な点がある場合は、これまでに視覚関連のプロジェクトをどれだけ経験してきたのか、他に何が分からないのかをよく考えてください。目視検査で何ができるのか、どのように行うのかを本当に理解していますか?単一の画像処理アルゴリズムのみに依存して達成される視覚検査はほとんどありません。したがって、アプリケーション レベルでは、ビジュアル業界で簡単に業務を遂行できるように、さまざまな画像処理アルゴリズムの使用とさまざまなアルゴリズムの組み合わせ応用に習熟する必要があります。もうすぐ夏休みです。夏休みは勉強するのにとても良い時期です。この休暇とこの学習プラットフォームを利用して、画像処理関連のアルゴリズムのアプリケーションを素早くマスターしましょう
以上がディープラーニングは他の画像処理アルゴリズムを置き換えるために使用できますか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック











このサイトは6月27日、JianyingはByteDanceの子会社であるFaceMeng Technologyによって開発されたビデオ編集ソフトウェアであり、Douyinプラットフォームに依存しており、基本的にプラットフォームのユーザー向けに短いビデオコンテンツを作成すると報告しました。 Windows、MacOS、その他のオペレーティング システム。 Jianyingは会員システムのアップグレードを正式に発表し、インテリジェント翻訳、インテリジェントハイライト、インテリジェントパッケージング、デジタルヒューマン合成などのさまざまなAIブラックテクノロジーを含む新しいSVIPを開始しました。価格的には、クリッピングSVIPの月額料金は79元、年会費は599元(当サイト注:月額49.9元に相当)、継続月額サブスクリプションは月額59元、継続年間サブスクリプションは、年間499元(月額41.6元に相当)です。さらに、カット担当者は、ユーザーエクスペリエンスを向上させるために、オリジナルのVIPに登録している人は、

検索強化生成およびセマンティック メモリを AI コーディング アシスタントに組み込むことで、開発者の生産性、効率、精度を向上させます。 JanakiramMSV 著者の EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG から翻訳。基本的な AI プログラミング アシスタントは当然役に立ちますが、ソフトウェア言語とソフトウェア作成の最も一般的なパターンに関する一般的な理解に依存しているため、最も適切で正しいコードの提案を提供できないことがよくあります。これらのコーディング アシスタントによって生成されたコードは、彼らが解決する責任を負っている問題の解決には適していますが、多くの場合、個々のチームのコーディング標準、規約、スタイルには準拠していません。これにより、コードがアプリケーションに受け入れられるように修正または調整する必要がある提案が得られることがよくあります。

AIGC について詳しくは、51CTOAI.x コミュニティ https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou を参照してください。これらの質問は、インターネット上のどこでも見られる従来の質問バンクとは異なります。既成概念にとらわれずに考える必要があります。大規模言語モデル (LLM) は、データ サイエンス、生成人工知能 (GenAI)、および人工知能の分野でますます重要になっています。これらの複雑なアルゴリズムは人間のスキルを向上させ、多くの業界で効率とイノベーションを推進し、企業が競争力を維持するための鍵となります。 LLM は、自然言語処理、テキスト生成、音声認識、推奨システムなどの分野で幅広い用途に使用できます。 LLM は大量のデータから学習することでテキストを生成できます。

大規模言語モデル (LLM) は巨大なテキスト データベースでトレーニングされ、そこで大量の現実世界の知識を取得します。この知識はパラメータに組み込まれており、必要なときに使用できます。これらのモデルの知識は、トレーニングの終了時に「具体化」されます。事前トレーニングの終了時に、モデルは実際に学習を停止します。モデルを調整または微調整して、この知識を活用し、ユーザーの質問により自然に応答する方法を学びます。ただし、モデルの知識だけでは不十分な場合があり、モデルは RAG を通じて外部コンテンツにアクセスできますが、微調整を通じてモデルを新しいドメインに適応させることが有益であると考えられます。この微調整は、ヒューマン アノテーターまたは他の LLM 作成物からの入力を使用して実行され、モデルは追加の実世界の知識に遭遇し、それを統合します。

編集者 |ScienceAI 質問応答 (QA) データセットは、自然言語処理 (NLP) 研究を促進する上で重要な役割を果たします。高品質の QA データ セットは、モデルの微調整に使用できるだけでなく、大規模言語モデル (LLM) の機能、特に科学的知識を理解し推論する能力を効果的に評価することもできます。現在、医学、化学、生物学、その他の分野をカバーする多くの科学 QA データ セットがありますが、これらのデータ セットにはまだいくつかの欠点があります。まず、データ形式は比較的単純で、そのほとんどが多肢選択式の質問であり、評価は簡単ですが、モデルの回答選択範囲が制限され、科学的な質問に回答するモデルの能力を完全にテストすることはできません。対照的に、自由回答型の Q&A

編集者 | KX 医薬品の研究開発の分野では、タンパク質とリガンドの結合親和性を正確かつ効果的に予測することが、医薬品のスクリーニングと最適化にとって重要です。しかし、現在の研究では、タンパク質とリガンドの相互作用における分子表面情報の重要な役割が考慮されていません。これに基づいて、アモイ大学の研究者らは、初めてタンパク質の表面、3D 構造、配列に関する情報を組み合わせ、クロスアテンション メカニズムを使用して異なるモダリティの特徴を比較する、新しいマルチモーダル特徴抽出 (MFE) フレームワークを提案しました。アライメント。実験結果は、この方法がタンパク質-リガンド結合親和性の予測において最先端の性能を達成することを実証しています。さらに、アブレーション研究は、この枠組み内でのタンパク質表面情報と多峰性特徴の位置合わせの有効性と必要性を実証しています。 「S」で始まる関連研究

機械学習は人工知能の重要な分野であり、明示的にプログラムしなくてもコンピューターにデータから学習して能力を向上させる機能を提供します。機械学習は、画像認識や自然言語処理から、レコメンデーションシステムや不正行為検出に至るまで、さまざまな分野で幅広く応用されており、私たちの生活様式を変えつつあります。機械学習の分野にはさまざまな手法や理論があり、その中で最も影響力のある 5 つの手法は「機械学習の 5 つの流派」と呼ばれています。 5 つの主要な学派は、象徴学派、コネクショニスト学派、進化学派、ベイジアン学派、およびアナロジー学派です。 1. 象徴主義は、象徴主義とも呼ばれ、論理的推論と知識の表現のためのシンボルの使用を強調します。この学派は、学習は既存の既存の要素を介した逆演繹のプロセスであると信じています。

エディター | Radish Skin 2021 年の強力な AlphaFold2 のリリース以来、科学者はタンパク質構造予測モデルを使用して、細胞内のさまざまなタンパク質構造をマッピングし、薬剤を発見し、既知のあらゆるタンパク質相互作用の「宇宙地図」を描いてきました。ちょうど今、Google DeepMind が AlphaFold3 モデルをリリースしました。このモデルは、タンパク質、核酸、小分子、イオン、修飾残基を含む複合体の結合構造予測を実行できます。 AlphaFold3 の精度は、これまでの多くの専用ツール (タンパク質-リガンド相互作用、タンパク質-核酸相互作用、抗体-抗原予測) と比較して大幅に向上しました。これは、単一の統合された深層学習フレームワーク内で、次のことを達成できることを示しています。
