datorseende

Datorseende är ett tvärvetenskapligt område inom datorvetenskap och artificiell intelligens som syftar till att få datorer att tolka och förstå visuell information från omvärlden. Målet är att datorn ska kunna analysera bilder och videoströmmar med hög precision i olika sammanhang.

Området omfattar uppgifter som bildklassificering, objektdetektion, segmentering, poseestimering, djupuppskattning, 3D‑rekonstruktion samt rörelse- och spårningsuppgifter. Det innefattar också visuell fråge-svar och scenförståelse.

Historiskt utgick fältet från klassisk datorvision och regelbaserade metoder. Med 2010-talet ökade framgången genom maskininlärning och djupinlärning, särskilt konvolutionella neurala nätverk. Stora publiktillgängliga datasets som ImageNet och COCO drev utvecklingen och standardverktyg som OpenCV har spridits.

Metoderna spänner från traditionell bildbehandling som kantdetektering och feature-descriptors till moderna djupa neurala nätverk och transformerbaserade modeller. Vanliga ramverk inkluderar OpenCV, TensorFlow och PyTorch.

Användningsområden finns inom robotik, automatiserad tillverkning och kvalitetskontroll, självkörande fordon, medicinsk bildanalys, övervakning, jord- och skogsbruk samt förstärkt verklighet och mobilapplikationer.

Utmaningar är bland annat variationer i belysning och perspektiv, occlusion, data-beroende, beräkningskrav och behov av annoterade data. Etiska frågor som integritet, övervakning och bias uppmärksammas alltmer i forskning och tillämpning.