Kuvantunnistuksessa

Kuvantunnistus tarkoittaa automaattista kuvien sisällön tunnistamista ja luokittelua tietokoneen avulla. Sen keskeisiä tehtäviä ovat kuvan luokittelu, kohteiden havaitseminen sekä sisällön erottelu ja segmentointi. Tehtäviä voidaan laajentaa esimerkiksi kohteiden välisen suhteen, liikkeen tai kontekstin ymmärtämiseen.

Aikaisemmin käytettiin piirteisiin perustuvia menetelmiä, kuten SIFT- ja HOG-ominaisuuksia sekä peruskoneoppimista. Syväoppimisen läpimurto 2010-luvulla johti CNN-pohjaisten mallien vallankumoukseen, jolloin suorituskyky parani merkittävästi. Viime vuosina vision transformer -malleja ja suuria esikoulutettuja malleja on alettu käyttää laajemmin, mikä on lisännyt sekä tarkkuutta että yleistä joustavuutta.

Nykyisin kuvantunnistus perustuu usein suurten kuvamäärien esikoulutukseen ja siirtämiseen uudelle tehtävälle. Keskeisiä tehtäviä ovat luokittelu, kohteiden havaitseminen sekä semanttinen ja instanssisegmentointi. Arkkitehtuureina käytetään konvoluutioneuroverkkoja sekä muuntajia (transformers); itseohjautuva oppiminen ja transfer learning ovat yleisiä, mikä vähentää merkattujen esimerkkien tarvetta.

Sovelluksia ovat terveydenhuolto (esimerkiksi radiologia), teollisuus, autonomiset ajoneuvot, turvallisuus sekä kuluttajatuotteet. Haasteita ovat datan saatavuus ja laatu, lainsäädäntö, yksityisyys sekä mahdollinen bias ja epäoikeudenmukaisuus. Lisäksi laskennalliset kustannukset sekä mallien tulkittavuus ja kyky yleistyä uusiin datoihin ovat keskeisiä tutkimusaiheita. Arviointi perustuu luokittelussa mittareihin kuten tarkkuus, precision ja recall sekä kohteiden havaitsemisessa AP ja mAP.