Kuvatunnistus

Kuvatunnistus on tekoälyn ala, joka keskittyy tietokoneiden kykyyn ymmärtää visuaalista sisältöä digitaalisista kuvista ja videoista. Se kattaa tehtäviä kuten kuvan luokittelu, objektien havaitseminen sekä segmentointi, ja se voi sisältää myös toiminnan tunnistamisen.

Keskeiset menetelmät perustuvat syväoppimiseen. Convolutional neural networks (CNN) ja nykyisin yleiset transformer-pohjaiset arkkitehtuurit ovat mahdollistaneet suuria parannuksia sekä kuvien että videoiden ymmärtämisessä. Koulutus tapahtuu suurilla, merkittyillä tietokokonaisuuksilla, kuten ImageNet ja COCO, ja tavoitteet voivat olla kuvien luokitus, objektien paikallistaminen (bounding boxes) sekä instanssisegmentointi.

Sovelluksia on paljon: automaattinen kuvien järjestäminen ja taggaukset, kasvontunnistus ja valvonta, teollisuus ja robotiikka sekä lääketieteelliset kuvantamismenetelmät. Kuvatunnistusta käytetään sekä kaupallisissa että tutkimuksellisissa yhteyksissä, mutta siihen liittyy myös eettisiä ja yksityisyyteen liittyviä näkökulmia sekä paikkansapitävyys- ja oikeudellisia kysymyksiä.

Haasteita ovat vaihtuva valaistus, näkökulman ja peittäymisen vaikutukset sekä monimutkaisten tilanteiden tulkinta. Datan vinoumien sekä laskenta- ja muistitavaroiden hallinta ovat jatkuvia kehityskohteita. Lisäksi järjestelmät voivat olla alttiita hyökkäyksille ja vääränlaiselle käyttökontekstille sekä yksityisyyden loukkauksille.

Kehitys on nopeaa: varhaiset lähestymistavat perustuivat yksinkertaisiin ominaisuuksiin, mutta 2010-luvulla syväoppiminen aiheutti merkittävän läpimurron. Sen jälkeen on kehitetty tehokkaampia tunnistus- ja detektiomalleja sekä viime vuosina suurten mallien ja datamäärien hyödyntäviä Vision Transformer -perheitä.