តើអ្នកធ្លាប់ចាប់អារម្មណ៍នឹងសមត្ថភាពកាមេរ៉ារបស់ស្មាតហ្វូនរបស់អ្នកក្នុងការសម្គាល់មុខនៅក្នុងរូបថតជាក្រុមដែរឬទេ?
ប្រហែលជាអ្នកមានការងឿងឆ្ងល់ចំពោះរបៀបដែលរថយន្តដែលបើកបរដោយខ្លួនឯងធ្វើចរាចរណ៍យ៉ាងរលូន កំណត់អត្តសញ្ញាណអ្នកថ្មើរជើង និងយានយន្តផ្សេងទៀតជាមួយនឹងភាពត្រឹមត្រូវមិនគួរឱ្យជឿ។
សមិទ្ធិផលដែលមើលទៅហាក់ដូចជាអរូបីទាំងនេះគឺអាចធ្វើទៅបានដោយការរកឃើញវត្ថុ ដែលជាប្រធានបទនៃការស្រាវជ្រាវដ៏គួរឱ្យចាប់អារម្មណ៍។ និយាយឱ្យសាមញ្ញ ការរកឃើញវត្ថុគឺជាការកំណត់អត្តសញ្ញាណ និងការធ្វើមូលដ្ឋានីយកម្មនៃវត្ថុនៅក្នុងរូបភាព ឬវីដេអូ។
វាគឺជាបច្ចេកវិទ្យាដែលអនុញ្ញាតឱ្យកុំព្យូទ័រ "មើលឃើញ" និងយល់ពីពិភពលោកជុំវិញពួកគេ។
ប៉ុន្តែតើនីតិវិធីមិនគួរឱ្យជឿនេះដំណើរការយ៉ាងដូចម្តេច? យើងកំពុងឃើញនោះ។ ការរៀនសូត្រជ្រៅមាន ធ្វើបដិវត្តតំបន់នៃការកំណត់អត្តសញ្ញាណវត្ថុ។ វាកំពុងបើកផ្លូវសម្រាប់អារេនៃកម្មវិធីដែលមានឥទ្ធិពលផ្ទាល់លើជីវិតប្រចាំថ្ងៃរបស់យើង។
នៅក្នុងការប្រកាសនេះ យើងនឹងឆ្លងកាត់អាណាចក្រដ៏គួរឱ្យចាប់អារម្មណ៍នៃការកំណត់អត្តសញ្ញាណវត្ថុដែលមានមូលដ្ឋានលើការសិក្សាស៊ីជម្រៅ ដោយរៀនពីរបៀបដែលវាមានសក្តានុពលក្នុងការរៀបចំឡើងវិញនូវវិធីដែលយើងធ្វើអន្តរកម្មជាមួយបច្ចេកវិទ្យា។
តើអ្វីទៅជា Object Detection?
មួយនៃភាគច្រើន ចក្ខុវិស័យកុំព្យូទ័រមូលដ្ឋាន កិច្ចការគឺជាការរកឃើញវត្ថុ ដែលពាក់ព័ន្ធនឹងការស្វែងរក និងកំណត់ទីតាំងធាតុផ្សេងៗនៅក្នុងរូបភាព ឬវីដេអូ។
នៅពេលប្រៀបធៀបជាមួយនឹងការចាត់ថ្នាក់រូបភាព ដែលស្លាកថ្នាក់របស់វត្ថុនីមួយៗត្រូវបានកំណត់ ការរកឃើញវត្ថុទៅមួយជំហានទៀតដោយមិនត្រឹមតែកំណត់អត្តសញ្ញាណវត្តមានរបស់វត្ថុនីមួយៗប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងគូរប្រអប់ព្រំដែនជុំវិញវត្ថុនីមួយៗផងដែរ។
ជាលទ្ធផល យើងអាចកំណត់អត្តសញ្ញាណប្រភេទវត្ថុដែលចាប់អារម្មណ៍ក្នុងពេលដំណាលគ្នា និងកំណត់ទីតាំងរបស់វាយ៉ាងជាក់លាក់។
សមត្ថភាពក្នុងការរកឃើញវត្ថុគឺចាំបាច់សម្រាប់កម្មវិធីជាច្រើន រួមទាំង បើកបរដោយស្វយ័តការឃ្លាំមើល ការសម្គាល់មុខ និងរូបភាពវេជ្ជសាស្ត្រ។
ដើម្បីដោះស្រាយបញ្ហាប្រឈមដ៏លំបាកនេះជាមួយនឹងភាពត្រឹមត្រូវដ៏អស្ចារ្យ និងការអនុវត្តក្នុងពេលជាក់ស្តែង បច្ចេកទេសផ្អែកលើការសិក្សាស៊ីជម្រៅបានផ្លាស់ប្តូរការរកឃើញវត្ថុ។
ថ្មីៗនេះ ការរៀនសូត្រស៊ីជម្រៅបានលេចចេញជាយុទ្ធសាស្ត្រដ៏មានសក្តានុពលមួយសម្រាប់ការយកឈ្នះលើការលំបាកទាំងនេះ ដោយផ្លាស់ប្តូរឧស្សាហកម្មទទួលស្គាល់វត្ថុ។
គ្រួសារ R-CNN និង Yolo គ្រួសារគឺជាគ្រួសារគំរូល្បីពីរនៅក្នុងការកំណត់អត្តសញ្ញាណវត្ថុដែលនឹងត្រូវបានពិនិត្យនៅក្នុងអត្ថបទនេះ។
គ្រួសារ R-CNN៖ ការរកឃើញវត្ថុត្រួសត្រាយ
ការស្រាវជ្រាវការទទួលស្គាល់វត្ថុដំបូងបានមើលឃើញពីភាពជឿនលឿនជាច្រើនដោយសារគ្រួសារ R-CNN ដែលរួមមាន R-CNN, Fast R-CNN និង Faster R-CNN ។
ជាមួយនឹងស្ថាបត្យកម្មម៉ូឌុលបីរបស់វា R-CNN តំបន់ដែលបានស្នើបានប្រើ CNN ដើម្បីទាញយកលក្ខណៈពិសេស និងចាត់ថ្នាក់វត្ថុដោយប្រើ SVMs លីនេអ៊ែរ។
R-CNN គឺត្រឹមត្រូវ ទោះបីជាវាចំណាយពេលមួយរយៈ ដោយសារការដេញថ្លៃក្នុងតំបន់របស់បេក្ខជនត្រូវបានទាមទារ។ នេះត្រូវបានដោះស្រាយដោយ Fast R-CNN ដែលបង្កើនប្រសិទ្ធភាពដោយការបញ្ចូលម៉ូឌុលទាំងអស់ទៅជាគំរូតែមួយ។
ដោយការបន្ថែមបណ្តាញសំណើតំបន់ (RPN) ដែលបង្កើត និងកែលម្អសំណើក្នុងតំបន់ក្នុងអំឡុងពេលបណ្តុះបណ្តាល នោះ R-CNN លឿនជាងមុនបានបង្កើនការអនុវត្តយ៉ាងច្រើន និងសម្រេចបាននូវការទទួលស្គាល់វត្ថុស្ទើរតែក្នុងពេលជាក់ស្តែង។
ពី R-CNN ទៅ Faster R-CNN
គ្រួសារ R-CNN ដែលតំណាងឱ្យ "Region-Based បណ្តាញសរសៃប្រសាទ Convolutional,” បានត្រួសត្រាយភាពជឿនលឿនក្នុងការរកឃើញវត្ថុ។
គ្រួសារនេះរួមមាន R-CNN, Fast R-CNN, និង Faster R-CNN ដែលទាំងអស់ត្រូវបានរចនាឡើងដើម្បីដោះស្រាយកិច្ចការធ្វើមូលដ្ឋានីយកម្មវត្ថុ និងការទទួលស្គាល់។
R-CNN ដើមដែលបានណែនាំនៅក្នុងឆ្នាំ 2014 បានបង្ហាញពីការប្រើប្រាស់ជោគជ័យនៃបណ្តាញសរសៃប្រសាទ convolutional សម្រាប់ការរកឃើញវត្ថុ និងការធ្វើមូលដ្ឋានីយកម្ម។
វាបានប្រើយុទ្ធសាស្ត្របីជំហាន ដែលរួមបញ្ចូលការផ្ដល់យោបល់ក្នុងតំបន់ ការទាញយកលក្ខណៈពិសេសជាមួយ CNN និងការចាត់ថ្នាក់វត្ថុជាមួយនឹងឧបករណ៍ចាត់ថ្នាក់ម៉ាស៊ីនវ៉ិចទ័រលីនេអ៊ែរ (SVM) ។
បន្ទាប់ពីការបើកដំណើរការ Fast R-CNN ក្នុងឆ្នាំ 2015 បញ្ហាល្បឿនត្រូវបានដោះស្រាយដោយការបញ្ចូលគ្នានូវសំណើតាមតំបន់ និងការចាត់ថ្នាក់ទៅជាគំរូតែមួយ កាត់បន្ថយការបណ្តុះបណ្តាល និងពេលវេលាសន្និដ្ឋានយ៉ាងខ្លាំង។
លឿនជាងមុន R-CNN ដែលបានចេញផ្សាយក្នុងឆ្នាំ 2016 បានធ្វើឱ្យប្រសើរឡើងនូវល្បឿន និងភាពត្រឹមត្រូវដោយការរួមបញ្ចូលបណ្តាញសំណើតំបន់ (RPN) ក្នុងអំឡុងពេលបណ្តុះបណ្តាលដើម្បីស្នើសុំ និងកែសម្រួលតំបន់យ៉ាងឆាប់រហ័ស។
ជាលទ្ធផល Faster R-CNN បានបង្កើតខ្លួនវាជាក្បួនដោះស្រាយឈានមុខគេមួយសម្រាប់កិច្ចការស្វែងរកវត្ថុ។
ការដាក់បញ្ចូលឧបករណ៍ចាត់ថ្នាក់ SVM គឺមានសារៈសំខាន់ចំពោះភាពជោគជ័យរបស់គ្រួសារ R-CNN ការផ្លាស់ប្តូរផ្នែកនៃចក្ខុវិស័យកុំព្យូទ័រ និងដាក់ផ្លូវសម្រាប់សមិទ្ធិផលនាពេលអនាគតក្នុងការស្វែងរកវត្ថុដោយផ្អែកលើការសិក្សាស៊ីជម្រៅ។
កម្លាំង:
- ភាពត្រឹមត្រូវនៃការរកឃើញវត្ថុធ្វើមូលដ្ឋានីយកម្មខ្ពស់។
- ភាពត្រឹមត្រូវ និងប្រសិទ្ធភាពមានតុល្យភាពដោយការរចនាបង្រួបបង្រួមនៃ R-CNN លឿនជាងមុន។
ចំណុចខ្សោយ:
- ការសន្និដ្ឋានជាមួយ R-CNN និង Fast R-CNN អាចជាការនឿយហត់ណាស់។
- ដើម្បីឱ្យ R-CNN ដំណើរការបានលឿនបំផុត សំណើក្នុងតំបន់ជាច្រើនប្រហែលជានៅតែចាំបាច់។
គ្រួសារ YOLO៖ ការរកឃើញវត្ថុក្នុងពេលវេលាពិត
គ្រួសារ YOLO ផ្អែកលើគោលគំនិត "អ្នកគ្រាន់តែមើលម្តង" សង្កត់ធ្ងន់លើការទទួលស្គាល់វត្ថុក្នុងពេលជាក់ស្តែង ខណៈពេលដែលការលះបង់ភាពជាក់លាក់។
គំរូ YOLO ដើមមានបណ្តាញសរសៃប្រសាទតែមួយដែលព្យាករណ៍ដោយផ្ទាល់នូវប្រអប់ព្រំដែន និងស្លាកថ្នាក់។
ទោះបីជាមានភាពត្រឹមត្រូវនៃការទស្សន៍ទាយតិចជាងក៏ដោយ YOLO អាចដំណើរការក្នុងល្បឿនរហូតដល់ 155 ហ្វ្រេមក្នុងមួយវិនាទី។ YOLOv2 ដែលត្រូវបានគេស្គាល់ផងដែរថាជា YOLO9000 បានដោះស្រាយការខ្វះខាតមួយចំនួនរបស់គំរូដើមដោយការទស្សន៍ទាយថ្នាក់វត្ថុ 9,000 និងរួមទាំងប្រអប់យុថ្កាសម្រាប់ការទស្សន៍ទាយដ៏រឹងមាំបន្ថែមទៀត។
YOLOv3 មានភាពប្រសើរឡើងបន្ថែមទៀត ដោយមានបណ្តាញឧបករណ៍ចាប់មុខងារកាន់តែទូលំទូលាយ។
ការងារខាងក្នុងរបស់គ្រួសារ YOLO
គំរូកំណត់អត្តសញ្ញាណវត្ថុនៅក្នុងគ្រួសារ YOLO (You Only Look Once) បានលេចចេញជាសមិទ្ធិផលគួរឱ្យកត់សម្គាល់ក្នុងចក្ខុវិស័យកុំព្យូទ័រ។
YOLO ដែលត្រូវបានណែនាំក្នុងឆ្នាំ 2015 ផ្តល់អាទិភាពដល់ល្បឿន និងការកំណត់អត្តសញ្ញាណវត្ថុតាមពេលវេលាជាក់ស្តែង ដោយគិតទុកជាមុនដោយផ្ទាល់នូវប្រអប់ព្រំដែន និងស្លាកថ្នាក់។
ទោះបីជាភាពជាក់លាក់មួយចំនួនត្រូវបានលះបង់ក៏ដោយ វាវិភាគរូបថតក្នុងពេលវេលាជាក់ស្តែង ដែលធ្វើឱ្យវាមានប្រយោជន៍សម្រាប់កម្មវិធីពេលវេលាដ៏សំខាន់។
YOLOv2 បានដាក់បញ្ចូលប្រអប់យុថ្កាសម្រាប់ដោះស្រាយជាមួយមាត្រដ្ឋានធាតុចម្រុះ និងបានបណ្តុះបណ្តាលលើសំណុំទិន្នន័យជាច្រើនដើម្បីប្រមើលមើលថ្នាក់វត្ថុជាង 9,000 ។
នៅឆ្នាំ 2018 YOLOv3 បានធ្វើឱ្យគ្រួសារកាន់តែប្រសើរឡើងថែមទៀតជាមួយនឹងបណ្តាញឧបករណ៍ចាប់មុខងារកាន់តែស៊ីជម្រៅ បង្កើនភាពត្រឹមត្រូវដោយមិនមានការលះបង់ការអនុវត្ត។
គ្រួសារ YOLO ទស្សន៍ទាយប្រអប់ព្រំដែន ប្រូបាបថ្នាក់ និងពិន្ទុវត្ថុដោយបែងចែករូបភាពទៅជាក្រឡាចត្រង្គ។ វារួមបញ្ចូលគ្នាយ៉ាងមានប្រសិទ្ធភាពនូវល្បឿន និងភាពជាក់លាក់ ដែលធ្វើឱ្យវាអាចសម្របខ្លួនបានសម្រាប់ការប្រើប្រាស់ រថយន្តស្វយ័តការឃ្លាំមើល ការថែទាំសុខភាព និងវិស័យផ្សេងៗទៀត។
ស៊េរី YOLO បានផ្លាស់ប្តូរការកំណត់អត្តសញ្ញាណវត្ថុដោយផ្តល់នូវដំណោះស្រាយពេលវេលាជាក់ស្តែងដោយមិនមានការលះបង់នូវភាពត្រឹមត្រូវសំខាន់ៗ។
ពី YOLO ដល់ YOLOv2 និង YOLOv3 គ្រួសារនេះបានធ្វើឱ្យមានភាពជឿនលឿនជាច្រើនក្នុងការកែលម្អការទទួលស្គាល់វត្ថុនៅទូទាំងឧស្សាហកម្ម ដោយបង្កើតស្តង់ដារសម្រាប់ប្រព័ន្ធស្វែងរកវត្ថុដែលមានមូលដ្ឋានលើការរៀនសូត្រជ្រៅទំនើប។
កម្លាំង:
- ការរកឃើញវត្ថុក្នុងពេលវេលាជាក់ស្តែងក្នុងអត្រាស៊ុមខ្ពស់។
- ស្ថេរភាពក្នុងការទស្សន៍ទាយប្រអប់ព្រំដែនត្រូវបានណែនាំនៅក្នុង YOLOv2 និង YOLOv3។
ចំណុចខ្សោយ:
- ម៉ូដែល YOLO អាចបោះបង់ភាពត្រឹមត្រូវមួយចំនួនជាថ្នូរនឹងល្បឿន។
ការប្រៀបធៀបគ្រួសារគំរូ៖ ភាពត្រឹមត្រូវធៀបនឹងប្រសិទ្ធភាព
នៅពេលដែលគ្រួសារ R-CNN និង YOLO ត្រូវបានប្រៀបធៀប វាច្បាស់ណាស់ថាភាពត្រឹមត្រូវ និងប្រសិទ្ធភាពគឺជាការដោះដូរដ៏សំខាន់។ ម៉ូដែលគ្រួសារ R-CNN មានភាពសុក្រិតល្អ ប៉ុន្តែមានភាពយឺតយ៉ាវក្នុងអំឡុងការសន្និដ្ឋាន ដោយសារស្ថាបត្យកម្មម៉ូឌុលបីរបស់ពួកគេ។
ម្យ៉ាងវិញទៀត គ្រួសារ YOLO ផ្តល់អាទិភាពដល់ដំណើរការក្នុងពេលវេលាជាក់ស្តែង ដោយផ្តល់នូវល្បឿនដ៏អស្ចារ្យ ខណៈពេលដែលបាត់បង់ភាពជាក់លាក់មួយចំនួន។ ការសម្រេចចិត្តរវាងគ្រួសារគំរូទាំងនេះត្រូវបានកំណត់ដោយតម្រូវការជាក់លាក់របស់កម្មវិធី។
ម៉ូដែលគ្រួសារ R-CNN អាចជាជម្រើសល្អសម្រាប់បន្ទុកការងារដែលទាមទារភាពជាក់លាក់ខ្លាំង ចំណែកឯគំរូគ្រួសារ YOLO គឺស័ក្តិសមសម្រាប់កម្មវិធីក្នុងពេលជាក់ស្តែង។
Beyond Object Recognition: កម្មវិធីពិភពលោកពិត
លើសពីកិច្ចការទទួលស្គាល់វត្ថុស្តង់ដារ ការស្វែងរកវត្ថុដែលមានមូលដ្ឋានលើការរៀនសូត្រជ្រៅបានរកឃើញការប្រើប្រាស់យ៉ាងទូលំទូលាយ។
ការសម្របខ្លួន និងភាពច្បាស់លាស់របស់វាបានបង្កើតឱកាសថ្មីនៅក្នុងវិស័យផ្សេងៗ ដោះស្រាយបញ្ហាប្រឈមដ៏ស្មុគស្មាញ និងការផ្លាស់ប្តូរអាជីវកម្ម។
យានយន្តស្វយ័ត៖ កំណត់ស្តង់ដារសម្រាប់ការបើកបរប្រកបដោយសុវត្ថិភាព
ការរកឃើញវត្ថុគឺមានសារៈសំខាន់នៅក្នុងរថយន្តស្វយ័តសម្រាប់ធានាការរុករកប្រកបដោយសុវត្ថិភាព និងអាចទុកចិត្តបាន។
គំរូសិក្សាជ្រៅ ផ្តល់ព័ត៌មានសំខាន់សម្រាប់ប្រព័ន្ធបើកបរស្វ័យភាព ដោយទទួលស្គាល់ និងធ្វើមូលដ្ឋានីយកម្មអ្នកថ្មើរជើង អ្នកជិះកង់ រថយន្តផ្សេងទៀត និងគ្រោះថ្នាក់ចរាចរណ៍ដែលអាចកើតមាន។
ម៉ូដែលទាំងនេះអនុញ្ញាតឱ្យយានជំនិះទទួលយកជម្រើសក្នុងពេលវេលាជាក់ស្តែង និងការពារការប៉ះទង្គិចគ្នា ដែលនាំយើងខិតទៅជិតអនាគតដែលរថយន្តបើកបរដោយខ្លួនឯងរួមជាមួយនឹងអ្នកបើកបររបស់មនុស្ស។
ការបង្កើនប្រសិទ្ធភាព និងសុវត្ថិភាពក្នុងឧស្សាហកម្មលក់រាយ
អាជីវកម្មលក់រាយបានទទួលយកការរកឃើញវត្ថុផ្អែកលើការរៀនសូត្រយ៉ាងស៊ីជម្រៅ ដើម្បីកែលម្អប្រតិបត្តិការរបស់ខ្លួនយ៉ាងខ្លាំង។
ការរកឃើញវត្ថុជួយក្នុងការកំណត់អត្តសញ្ញាណ និងការតាមដានផលិតផលនៅលើធ្នើរហាង ដែលអនុញ្ញាតឱ្យមានការស្តុកទុកឡើងវិញប្រកបដោយប្រសិទ្ធភាព និងកាត់បន្ថយស្ថានភាពអស់ពីស្តុក។
លើសពីនេះ ប្រព័ន្ធឃ្លាំមើលដែលបំពាក់ជាមួយក្បួនដោះស្រាយការរកឃើញវត្ថុជួយក្នុងការការពារចោរកម្ម និងការថែរក្សាសន្តិសុខហាង។
ភាពជឿនលឿនរូបភាពវេជ្ជសាស្ត្រក្នុងការថែទាំសុខភាព
ការរកឃើញវត្ថុដែលមានមូលដ្ឋានលើការរៀនសូត្រជ្រៅបានក្លាយជាឧបករណ៍សំខាន់មួយក្នុងរូបភាពវេជ្ជសាស្ត្រក្នុងវិស័យថែទាំសុខភាព។
វាជួយអ្នកអនុវត្តផ្នែកថែទាំសុខភាពក្នុងការសម្គាល់ឃើញភាពមិនប្រក្រតីនៃកាំរស្មីអ៊ិច ការស្កែន MRI និងរូបភាពវេជ្ជសាស្ត្រផ្សេងទៀត ដូចជាមហារីក ឬភាពមិនប្រក្រតីជាដើម។
ការកំណត់អត្តសញ្ញាណវត្ថុជួយក្នុងការធ្វើរោគវិនិច្ឆ័យដំបូង និងការធ្វើផែនការព្យាបាលដោយកំណត់អត្តសញ្ញាណ និងបន្លិចទីតាំងជាក់លាក់នៃការព្រួយបារម្ភ។
ការលើកកម្ពស់សុវត្ថិភាពតាមរយៈសន្តិសុខ និងការឃ្លាំមើល
ការរកឃើញវត្ថុអាចមានប្រយោជន៍មិនគួរឱ្យជឿនៅក្នុងកម្មវិធីសុវត្ថិភាព និងការឃ្លាំមើល។
ក្បួនដោះស្រាយការរៀនសូត្រជ្រៅ ជួយមើលហ្វូងមនុស្ស កំណត់អត្តសញ្ញាណអាកប្បកិរិយាគួរឱ្យសង្ស័យ និងស្វែងរកគ្រោះថ្នាក់ដែលអាចកើតមាននៅកន្លែងសាធារណៈ ព្រលានយន្តហោះ និងមជ្ឈមណ្ឌលដឹកជញ្ជូន។
ប្រព័ន្ធទាំងនេះអាចព្រមានអ្នកជំនាញផ្នែកសន្តិសុខក្នុងពេលវេលាជាក់ស្តែងដោយការវាយតម្លៃជាបន្តបន្ទាប់នូវព័ត៌មានវីដេអូ ការការពារការរំលោភលើសុវត្ថិភាព និងការធានាសុវត្ថិភាពសាធារណៈ។
ឧបសគ្គបច្ចុប្បន្ន និងអនាគតកាល
ទោះបីជាមានការជឿនលឿនយ៉ាងសំខាន់ក្នុងការស្វែងរកវត្ថុដែលមានមូលដ្ឋានលើការសិក្សាជ្រៅក៏ដោយ ក៏បញ្ហានៅតែមាន។ ឯកជនភាពទិន្នន័យគឺជាកង្វល់ដ៏ធ្ងន់ធ្ងរមួយ ដោយសារការរកឃើញវត្ថុជាញឹកញាប់រួមបញ្ចូលការគ្រប់គ្រងព័ត៌មានរសើប។
បញ្ហាសំខាន់មួយទៀតគឺការធានាភាពធន់នឹងការវាយប្រហាររបស់សត្រូវ។
អ្នកស្រាវជ្រាវនៅតែកំពុងស្វែងរកមធ្យោបាយដើម្បីបង្កើនភាពទូទៅនៃគំរូ និងការបកស្រាយ។
ជាមួយនឹងការស្រាវជ្រាវដែលកំពុងបន្តផ្តោតលើការកំណត់អត្តសញ្ញាណវត្ថុច្រើន ការតាមដានវត្ថុវីដេអូ និងការទទួលស្គាល់វត្ថុ 3D ក្នុងពេលជាក់ស្តែង អនាគតហាក់ដូចជាភ្លឺស្វាង។
យើងគួរតែរំពឹងថានឹងមានដំណោះស្រាយកាន់តែច្បាស់លាស់ និងមានប្រសិទ្ធភាពក្នុងពេលឆាប់ៗនេះ ដោយសារគំរូសិក្សាស៊ីជម្រៅបន្តកើនឡើង។
សន្និដ្ឋាន
ការរៀនជ្រៅជ្រះបានផ្លាស់ប្តូរការរកឃើញវត្ថុ ដោយឈានទៅដល់សម័យកាលនៃភាពជាក់លាក់ និងប្រសិទ្ធភាពកាន់តែច្រើន។ គ្រួសារ R-CNN និង YOLO បានដើរតួនាទីយ៉ាងសំខាន់ ដែលនីមួយៗមានសមត្ថភាពខុសៗគ្នាសម្រាប់កម្មវិធីមួយចំនួន។
ការកំណត់អត្តសញ្ញាណវត្ថុដែលមានមូលដ្ឋានលើការរៀនសូត្រយ៉ាងស៊ីជម្រៅកំពុងធ្វើបដិវត្តវិស័យ និងការកែលម្អសុវត្ថិភាព និងប្រសិទ្ធភាព ចាប់ពីយានយន្តស្វ័យប្រវត្តិ រហូតដល់ការថែទាំសុខភាព។
អនាគតនៃការរកឃើញវត្ថុហាក់ដូចជាភ្លឺស្វាងជាងពេលណាៗទាំងអស់ នៅពេលដែលការស្រាវជ្រាវរីកចម្រើន ដោះស្រាយការលំបាក និងការរុករកតំបន់ថ្មីៗ។
យើងកំពុងធ្វើជាសាក្សីអំពីកំណើតនៃយុគសម័យថ្មីនៃចក្ខុវិស័យកុំព្យូទ័រ នៅពេលដែលយើងទទួលយកថាមពលនៃការរៀនសូត្រជ្រៅជ្រះ ជាមួយនឹងការរកឃើញវត្ថុនាំមុខគេ។
សូមផ្ដល់យោបល់