CV
Jak działa
Typowy potok widzenia komputerowego obejmuje akwizycję obrazu, przetwarzanie wstępne (normalizacja, redukcja szumu, korekcja geometryczna), ekstrakcję cech oraz model decyzyjny. W podejściu klasycznym cechy projektowano ręcznie (krawędzie, deskryptory SIFT/HOG), a klasyfikację realizowały algorytmy uczenia maszynowego. We współczesnym podejściu opartym na głębokim uczeniu sieci konwolucyjne (CNN) i transformery wizyjne (ViT) uczą się hierarchicznych reprezentacji bezpośrednio z danych: wczesne warstwy wykrywają proste wzorce (krawędzie, tekstury), a głębsze — złożone obiekty. Na końcu potoku głowica zadania przekształca reprezentację w wynik: etykietę klasy, ramki detekcji, maskę segmentacji lub mapę głębi. Modele trenuje się na dużych, oznaczonych zbiorach danych (np. ImageNet), optymalizując funkcję straty metodą spadku gradientu.
Rozwiązany problem
Maszyny operują na surowych macierzach pikseli, które same w sobie nie niosą znaczenia semantycznego. Widzenie komputerowe rozwiązuje problem przekształcenia tych nieustrukturyzowanych danych wizualnych w użyteczne opisy świata — identyfikację obiektów, ich położenia i relacji — co jest warunkiem automatyzacji percepcji w robotyce, diagnostyce i systemach autonomicznych.
Komponenty
Pozyskanie danych wizualnych z czujników: kamer RGB, kamer głębi, skanerów 3D czy LiDAR.
Normalizacja, redukcja szumu, korekcja geometryczna i augmentacja przygotowujące obraz do analizy.
Wyznaczenie cech opisujących obraz — ręcznie projektowanych (SIFT, HOG) lub uczonych przez CNN/ViT.
Warstwa decyzyjna zamieniająca reprezentację w wynik: etykietę, ramki, maskę segmentacji lub mapę głębi.
Implementacja
Model trenowany na jednym rozkładzie obrazów traci skuteczność, gdy warunki wdrożenia (oświetlenie, kamera, otoczenie) różnią się od danych treningowych.
Niereprezentatywne dane prowadzą do systematycznych błędów i niesprawiedliwych predykcji dla niedoreprezentowanych grup lub scenariuszy.
Zmienne oświetlenie, cienie i częściowe zasłonięcia obiektów obniżają dokładność detekcji i segmentacji.
Ewolucja
Seymour Papert inicjuje studencki projekt letni mający podłączyć kamerę do komputera i „opisać, co widzi” — symboliczny początek dziedziny.
Marr formułuje warstwowy, obliczeniowy model widzenia, kładąc teoretyczne podstawy pod rozumienie percepcji wzrokowej.
Pierwszy wydajny detektor twarzy działający w czasie rzeczywistym, oparty na cechach Haara i kaskadzie klasyfikatorów.
Wielkoskalowy, oznaczony zbiór milionów obrazów, który umożliwił trening i benchmarking głębokich modeli widzenia.
Głęboka sieć konwolucyjna Krizhevsky'ego, Sutskevera i Hintona drastycznie obniża błąd klasyfikacji, zapoczątkowując erę głębokiego uczenia w widzeniu komputerowym.
Połączenia rezydualne umożliwiają trening bardzo głębokich sieci, dodatkowo podnosząc dokładność rozpoznawania obrazów.
Architektura transformera zostaje z powodzeniem zastosowana bezpośrednio do obrazów dzielonych na łaty, stając się alternatywą dla sieci konwolucyjnych.
Model trenowany kontrastywnie na parach obraz–tekst umożliwia klasyfikację zero-shot i otwiera nurt multimodalnego widzenia.
Wymagania sprzętowe
Modele głębokiego uczenia dla widzenia (CNN, ViT) wymagają masowo równoległych operacji mnożenia macierzy i splotów, które najefektywniej wykonują rdzenie tensorowe GPU.
Klasyczne algorytmy widzenia (filtry, deskryptory, metody geometryczne) działają również na zwykłych CPU bez akceleracji.