Tudásmegosztás • 2 perc olvasás •
Egyszerű problémákra egyszerű megoldások: Klasszikus gépi tanulás a képfeldolgozásban
Nem kell mindent túl bonyolítani! A deep learning korában hajlamosak vagyunk elfelejteni, hogy a klasszikus képfeldolgozási módszerek még mindig értékesek lehetnek. Lássuk miért érdemes újra elővenni ezeket az „öreg rókákat”.
A mély neurális hálók térhódítása miatt gyakran megfeledkezünk olyan klasszikus módszerekről a képfeldolgozásban és a gépi látásban, melyek még mindig jól használhatók bizonyos feladatokhoz.
A klasszikus megközelítések nem múzeumi darabok, inkább azok a jól bevált kéziszerszámok, amikkel még mindig sok minden megoldható, ha tudjuk, hogyan használjuk őket
Éldetektálás:
Az élek keresése a képen a fényesség/intenzitás hirtelen változása alapján történik. Az éldetektálás alkalmas lehet például dobozok kontúrjainak kiemelésére, ami segíthet a deformációk felismerésében. Az egyik ilyen algoritmus a Canny éldetektáló.
Sarokpontok és pontmegfeleltetés:
A sarokpontok keresése, hasonló működik mint az éldetektálás, ám ezúttal kétirányú intenzitásváltozást keresünk. A sarokpontok feltárása elengedhetetlen része a pontmegfeleltetésnek, ahol az egyik képen detektált pontokat keressük meg egy másik képen, ezt használva például követni tudunk egy tárgyat videón.
Szegmentálás
A szegmentálás célja a kép egybetartozó részeinek elkülönítése - például használható betűk vagy számok kiemelésére a képből.
Képosztályozás
Klasszikus gépi tanulási modellek, mint a k-NN, a logisztikus regresszió vagy az SVM működőképesek lehetnek kis adathalmazokon, ám sajnos jelentősen elmaradnak például a konvolúciós neurális hálók (CNN-ek) teljesítményétől.
Objektum-detektáláss
Nem minden felismeréshez kell neurális háló. Egyes esetekben egy jól összerakott pipeline-nal: HOG (Histogram of Oriented Gradients) + SVM + Sliding Window + Non-Maximum Suppression, is megugorható feladat.
Miért fontos mindez?
Nem szabad megfeledkeznünk a képfeldolgozás veteránjairól, sokszor egy egyszerű, értelmezhető, átlátható, gyors és kevésbé erőforrásigényes megoldást tud nyújtani bizonyos feladatokra vagy részfeladatokra.
