Konenäkömalleja

Konenäkömalleja ovat tekoälypohjaisia malleja, jotka on suunniteltu ymmärtämään visuaalista dataa, kuten kuvia ja videoita. Niiden tavoitteena on esimerkiksi luokitella kuvat, havaita ja paikantaa esineitä sekä suorittaa tarkempaa segmentointia tai seurata liikettä videossa. Ne muodostavat olennaisen osan tietokonenäön tutkimus- ja sovellusalasta.

Kehitys on siirtynyt käsin suunnitelluista piirteistä kohti syväoppimista. Konvoluutiolliset neuroverkot (CNN) tulivat keskeisiksi 2010-luvulla alan läpimurtoina, esimerkkeinä AlexNet, VGG, ResNet. Viime vuosina vision transformerit (ViT) sekä hybridiarkkitehtuurit ovat lisänneet suorituskykyä ja joustavuutta. Yleisiä malleja ovat CNN-pohjaiset luokittelu- ja havaitsemismallit (ResNet, EfficientNet; R-CNN, YOLO, SSD) sekä segmentointi-arkkitehtuurit (FCN, U-Net, DeepLab). Viime aikoina suuria visio-malleja kehitetään myös itseohjautuvalla oppimisella sekä pienennetyillä versioilla rajoitetulla laskennalla.

Koulutus perustuu suurille, etikointialustojen sisältämille datasets-tyyppisille data-aineistoille, kuten ImageNet, COCO ja Cityscapes. Mallit opitaan valvotun oppimisen kautta tai itseohjautuvien menetelmien avulla; siirto-oppiminen ja data augmentaatio parantavat yleisyyttä. Arviointi tapahtuu erilaisilla mittareilla: luokittelussa tarkkuus, havaitsemisen osalta mAP, segmentoinnissa IoU ja vastaavat.

Sovelluksia ovat kuvan ja videon automaattinen luokittelu, objektien tunnistus ja paikannus, lääketieteellinen kuvantaminen, autonomiset ajoneuvot sekä teollinen laadunvalvonta. Haasteisiin kuuluvat datan laatu ja bias, turvallisuus, laskennalliset kustannukset sekä eettiset näkökohdat.