電腦視覺與深度學習實戰經驗分享－第三堂( Jimmy )
2021/03/23 下午 06:42
CUPOY
觀看數：0
喜歡數：0
收藏數：0
(yt>https://youtu.be/P1UZBJy9-Cs 影像在實務的應用
電腦視覺：利用電腦模擬人類視覺的一種技術
先從「分類」>「定位」>「多目標」>「輪廓描繪」各個階段，本章節講師分享數個實際案例。最簡單的影像分類如「視網膜預測糖尿病」、「電路板瑕疵檢測」就具有極高的商業價值。
但進階到物件偵測時，需要準備的工作有哪些呢？
比如校園安全控制，從監視器畫面來判斷是否有人跨過圍欄，物件偵測不僅提供更多的資訊，應用的層面也更加廣泛。
來跟著講師一同了解「分類模型」、「分割模型」、「偵測模型」的差異吧。
> 評估影像分類方法
我們利用影像辨識模型完成了許多任務，但該如何確定這個模型的表現「好不好」呢？常見的 precision、recall、specificity、F-score 分別是什麼意思呢？利用動物森友會來讓你輕鬆瞭解！針對不同的辨識任務，這裡推薦了不同的參考指標，比如不能誤判(False negative)的情況需要提高recall rate。另外還有Accuracy、AUC、IoU、average precision等眾多指標等你認識。
> 影像分類遇到的問題
在我們開始訓練深度神經網路之前需要準備些什麼呢？硬體來源、資料品質、評估指標，還有哪些問題...？
資料面的魔王：Imbalance data 不曾消失，包含影像分類領域。此處根據經驗提供七種建議策略，如重新抽樣(Re-sampling)、損失加權(Focal loss)...等。
目前純分類模型的應用場景有限，但從分類模型出發的物件偵測，將會是未來幾年的發展重點。
> 深度學習應用(人臉辨識)
故事從一篇 2020 年的 paper 開始：影像畫質提升
開啟了無數修圖app、性別轉換、多照片合成的趣味功能，但相應也產生了預想不到的科技倫理問題？讓我們從數學原理了解問題產生的原因。
> 案例分享
透過一張照片能傳達多少故事呢？
性別、年齡不難理解，也順利達到99%的準確率。但是否抽煙喝酒、是不是受到喜歡呢？甚至能不能預測出宗教信仰。在我們製作專案時，需要注意模型是不是跟我們想像的一樣，還是它其實學習到另一個沒注意到的地方。
> 電腦視覺影像應用
透過機器學習來讓電腦「尋找威利」、預測癌細胞，透過兩階段的AI模型進行分類，在電腦視覺影像上已經出現了非常多的應用。甚至「產生假照片」也是一個非常重要的產物？來看看還有哪些有趣的案例吧。
> 本次主講者介紹：
