Les 5 Deel 1: computervisie Flashcards
(13 cards)
Beelverwerking
waarbij de computer beelden verwerkt of bewerkt zonder die verder te interpreteren (beeld in, beeld uit)
Computervisie of beeldinterpretatie
waarbij de computer wordt aangeleerd om de beelden ook te herkennen en te interpreteren (beeld in, informatie uit).
Beeldgeneratie
waarbij de computer beelden creëert op basis van ingevoerde instructies (informatie in, beeld uit).
Convolutioneel neuraal netwerk
CNNs vormen een speciaal soort diepe neurale netwerken, die over zogenaamde convolutionele lagen beschikken. In een dergelijke convolutionele laag ontvangt elk neuron alleen invoer van de neuronen uit een beperkt gebied van de vorige laag in plaats van alle neuronen uit die laag.
Belangrijkste eigenschap = de relevante filters van CNNs zijn niet voorgeprogrammeerd maar worden zelf aangeleerd obv trainingsbeelden.
Grote voorwaarde = het bestaan van grote databanken met foto’s of afbeeldingen voor training
kracht van CNNs voor beeldinterpretatie
Niet beperkt tot classificatie
Eender welke transformatie van input (beeld) naar output (eender wat)
Gezichtsherkenning
3 stappen:
1 = het gezicht wordt gedetecteerd = er wordt bepaald waar het gezicht zich in het beeld bevindt
en gesegmenteerd = het gezicht wordt onderscheiden van de beeldachtergrond.
2 = het gezicht wordt gealigneerd (uitgelijnd)
3 = het gezicht wordt herkend
Grote publieke/commerciële datasets nodig
Nadelen gezichtsherkenning
Hertrainen als je nieuwe persoon wil toevoegen
Moeilijk schaalbaar
Voor elke persoon een groot aantal trainingsvoorbeelden nodig
Beeldgeneratie GAN
GAN = generative adversarial networks
Twee neurale netwerken worden tegen elkaar uitgespeeld
Een van de netwerken (generator) wordt getraind om afbeeldingen te genereren die lijken op die uit de trainingsgegevens. Een dergelijk netwerk is bijna omgekeerd opgebouwd als een netwerk voor beeldherkenning en vertrekt vanuit willekeurige ruis aan de ingang.
Het andere netwerk heeft dan als taak om de door het eerste netwerk gegenereerde afbeeldingen te onderscheiden van echte afbeeldingen uit de trainingsgegevens = het vijandige netwerk
Het systeem traint de twee modellen naast elkaar. De generator liegt tegen de discriminatoir door nieuwe foto’s te genereren en door te geven als echte; de discriminatoir probeert dat bedrog te ontdekken.
Beeldgeneratie difussiemodellen
Hier beschouwen we beeldgeneratie als een denoising proces
We hebben een dataset die we willen nabootsen
Forwardproces = we gaan meer en meer ruis toevoegen aan het beeld totdat we enkel nog maar ruis overhouden
Om de generator te leren gaan we het proces omkeren, de ruis wegwerken om dit goed te doen moet er een concept zijn van hoe beelden er echt uitzien, op deze manier leert de generator dus beelden genereren
Beeldgeneratie nepvideos
”Zien is geloven” gaat niet meer op (bewustmaking)
Video is op zich geen bewijsmateriaal, tenzij authenticiteit bewezen kan worden.
‘AI to the rescue’ ? -> levert alleen betere discriminator
Via encryptie (digitale handtekening) kan oorsprong van beeld vastgelegd worden.
AI vs HI
Computers kunnen niet veralgemenen, redeneren, adapteren, gebruikmaken van de context van een afbeelding en zo nieuwe kennis opdoen ZONDER daartoe expliciet getraind te zijn.
Foutenmarge is nooit nul bij AI
AI weet niet wat er schuilgaat achter de afbeelding
AI is beter in de analyse van grote hoeveelheden beelden om tot een accurate indeling te komen.
Data-afhankelijkheid en contradictoire voorbeelden
Modellen zijn maar zo goed als de data waarmee ze getraind zijn.
AI systemen zijn makkelijk om de tuin te leiden // “Adversarial examples”: door doelgericht wijzigingen aan te brengen aan een beeld, kunnen zelfs sterk gelijkaardige beelden foutieve resultaten geven
Datasetbias
elke vooringenomenheid of elke bias of elk vooroordeel in de dataset die voor training wordt gebuikt, wordt overgenomen in het getrainde netwerk. Meer nog elke bias wordt door het systeem verder versterkt.
