Joitakin yleisiä tietokonenäössä käytettyjä julkisivujärjestelmiä ovat:
1. Syvähermoverkot: Nämä ovat erittäin suosittuja tietokonenäössä, ja niitä on käytetty tehtäviin, kuten kuvien luokitteluun, objektien havaitsemiseen ja kuvan segmentointiin.
2. Konvoluutiohermoverkot (CNN): CNN-verkkoja käytetään yleisesti kuvantunnistustehtävissä, erityisesti tapauksissa, joissa paikkatieto on tärkeää. Ne on suunniteltu käsittelemään dataa, jolla on ruudukkomainen rakenne, kuten kuvia.
3. Aluepohjaiset konvoluutiohermoverkot (R-CNN): R-CNN on suosittu arkkitehtuuri objektien havaitsemiseen. Se yhdistää syvät CNN:t alueehdotusverkkoon objektien alueiden tunnistamiseksi ja luokittamiseksi.
4. Nopeampi R-CNN: Tämä on parannettu versio R-CNN:stä, joka otti käyttöön jaetun konvoluutioverkon alueen ehdotusprosessin nopeuttamiseksi. Se saavuttaa nopeamman käsittelyajan säilyttäen samalla tarkkuuden.
5. Single Shot MultiBox Detector (SSD): SSD on toinen tehokas objektintunnistusmenetelmä, joka käyttää oletusarvoisia rajauslaatikoiden muotoja ja kokoja havaitakseen eri mittakaavassa ja kuvasuhteissa olevia kohteita.
6. YOLO (You Only Look Once): YOLO on kohteen tunnistusalgoritmi, joka käyttää yhtä hermoverkkoa koko kuvaan ja ennustaa rajauslaatikot ja luokkatodennäköisyydet yhdellä kertaa, mikä tarjoaa reaaliaikaisen objektien havaitsemisen.
7. U-Net: U-Netiä käytetään laajasti kuvien segmentointitehtäviin. Se koostuu supistuvasta polusta kontekstin sieppaamiseksi ja symmetrisestä laajenevasta polusta tarkan lokalisoinnin takaamiseksi.
8. Mask R-CNN: Mask R-CNN on Faster R-CNN -arkkitehtuurin laajennus, joka lisää pikselitason segmentointihaaran. Se mahdollistaa ilmentymien segmentoinnin tulostamalla binäärimaskit jokaiselle havaitulle objektille.
Nämä ovat vain joitain yleisimmistä tietokonenäössä käytetyistä julkisivujärjestelmistä, ja alalla kehitetään ja tutkitaan monia muita arkkitehtuureja ja tekniikoita.
Julkaisupäivämäärä: