Kuvianalyysistä

Kuvianalyysistä viitataan prosessiin, jossa digitaalisia kuvia ja videoita käsitellään ja tulkitaan saadakseen rakenteellista tietoa, ominaisuuksia ja tilastollisia mittauksia. Se kuuluu visuaalisen näön, tietojenkäsittelyn ja kuvantamisen alaan, ja se eroaa pelkästä kuvankäsittelystä siinä, että tavoitteena on ymmärrys, luokittelu ja kysymyksiin vastaaminen kuvatiedon perusteella. Kuvianalyysiin sisältyy kohteiden tunnistus, segmentointi, mittaukset sekä liikkuvien kohteiden seuranta ja tulkinta.

Teknisesti kuvianalyysi hyödyntää piirteiden oppimista sekä perinteisiä kuvan analyysin menetelmiä. Ennen suurten datamäärien hyödyntämistä käytettiin reuna- ja alueperusteisia menetelmiä sekä heuristiikkaa; nykyisin suurin osa tehtävistä toteutetaan syväoppimisen malleilla, joita koulutetaan suurilla kuvadatoilla ja joita sovelletaan kohteiden tunnistukseen, segmentointiin, luokitteluun sekä liikkeenseurantaan. Työprosessi etenee tyypillisesti datankäsittelystä mallin valintaan, koulutukseen, validointiin ja tulosten tulkintaan.

Yleisimmät tehtävät ovat kohteiden tunnistus ja luokittelu, segmentointi sekä mittaukset ja liikkuvien kohteiden seuranta. Tuloksia arvioidaan mittareilla kuten tarkkuus, IoU (intersection over union), mAP (mean average precision) sekä ROC-AUC riippuen sovelluksesta.

Kuvianalyysiä sovelletaan laajasti useilla aloilla: lääketieteessä radiologinen kuvantaminen ja histologia, teollisuudessa laadunvalvonta ja robotiikka, maantieteessä alueiden kartoitus ja ympäristöanalyysi sekä liikenteessä autonominen ajaminen ja valvonta. Myös kulttuuriperinnön dokumentointi ja turvallisuusanalyysi ovat sovelluksia.

Haasteita ovat datan saatavuus ja laatu, tulosten yleistettävyys, epävarmuus ja tulkittavuus sekä yksityisyydensuoja. Ala kehittyi nopeasti 2010-luvulla syväoppimisen ja tehokkaiden laskentaympäristöjen ansiosta, ja edelleen keskeisiä kehityskohteita ovat läpinäkyvyys, luotettavuus ja datan soveltuvuus. Historia: varhaisimmat kuvianalyysijärjestelmät kehittyivät 1960–1970-luvulla; 2010-luvulla syväoppiminen mullisti alan.