自从计算机开始观察物体并解释它们以来，世界就不一样了。 从可以像 Snapchat 过滤器一样简单的娱乐元素，在你的脸上产生有趣的胡须，到复杂的系统，从扫描报告中自动检测微小肿瘤的存在，计算机视觉在人类进化中发挥着重要作用。
但是，对于未经训练的 AI 系统，输入其中的视觉样本或数据集毫无意义。 你可以输入熙熙攘攘的华尔街图片或冰淇淋的图片，系统不会知道两者是什么。 那是因为他们还没有学会如何对图像和视觉元素进行分类和分割。
现在，这是一个非常复杂且耗时的过程，需要一丝不苟地关注细节和劳动。 这是数据注释专家介入并手动对图像上的每个字节信息进行属性或标记的地方，以确保 AI 模型轻松学习视觉数据集中的不同元素。 当计算机对带注释的数据进行训练时，它可以轻松区分景观与城市景观、动物与鸟类、饮料和食物以及其他复杂的分类。
现在我们知道了这一点，数据注释器如何对图像元素进行分类和标记？ 他们使用了任何特定的技术吗？ 如果是，它们是什么？
嗯，这正是这篇文章的内容—— 图像标注 类型、它们的优势、挑战和用例。
图像注释类型
用于计算机视觉的图像标注技术可分为五类：
- 物体检测
- 线路检测
- 地标检测
- 用户分类
- 图像分类
物体检测
顾名思义，物体检测的目标是帮助计算机和人工智能模型识别图像中的不同物体。 为了指定不同的对象是什么，数据注释专家采用了三种突出的技术：
- 2D 边界框： 其中绘制和标记了图像中不同对象上的矩形框。
- 3D 边界框： 在对象上绘制 3 维框以显示对象的深度。
- 多边形： 通过标记对象的边缘并最终将它们连接在一起以覆盖对象的形状来标记不规则和独特的对象。
优势
- 2D 和 3D 边界框技术非常简单，可以轻松标记对象。
- 3D 边界框提供了更多细节，例如对象的方向，这在 2D 边界框技术中是不存在的。
对象检测的缺点
- 2D 和 3D 边界框还包括实际上不属于对象的背景像素。 这以多种方式扭曲了训练。
- 在 3D 边界框技术中，注释者大多假设对象的深度。 这也严重影响了训练。
- 如果对象非常复杂，多边形技术可能会很耗时。
线路检测
该技术用于分割、注释或识别图像中的线条和边界。 例如，城市道路上的车道。
优势
这种技术的主要优点是不共享公共边界的像素也可以被检测和注释。 这是注释短线或被遮挡线的理想选择。
缺点
- 如果有多条线，则该过程将变得更加耗时。
- 重叠的线条或对象可能会产生误导性的信息和结果。
地标检测
数据注释中的地标并不意味着具有特殊兴趣或意义的地方。 它们是图像中需要注释的特殊或基本点。 这可能是面部特征、生物识别技术或更多。 这也称为姿态估计。
优势
训练需要地标点精确坐标的神经网络是理想的。
缺点
这是非常耗时的，因为必须精确注释每一分钟的要点。
用户分类
一个复杂的过程，其中将单个图像分为多个片段以识别其中的不同方面。 这包括检测边界、定位对象等。 为了给您一个更好的主意，这里列出了一些重要的分割技术：
- 语义分割： 其中图像中的每个像素都用详细信息进行注释。 对于需要环境背景的模型至关重要。
- 实例分割： 其中图像中元素的每个实例都针对粒度信息进行了注释。
- 全景分割： 其中语义和实例分割的细节被包含在图像中并被注释。
优势
- 这些技术从物体中提取出最精细的信息。
- 它们为培训目的增加了更多的背景和价值，最终优化了结果。
缺点
这些技术是劳动密集型和乏味的。
影像分类
图像分类涉及识别对象中的元素并将它们分类为特定的对象类。 这种技术与物体检测技术有很大不同。 在后者中，对象仅被识别。 例如，可以简单地将猫的图像注释为动物。
但是，在图像分类中，图像被归类为猫。 对于包含多只动物的图像，每只动物都会被相应地检测和分类。
优势
- 为机器提供有关数据集中哪些对象的更多详细信息。
- 帮助模型准确区分动物（例如）或任何特定于模型的元素。
缺点
需要更多时间让数据标注专家仔细识别和分类所有图像元素。
计算机视觉中图像标注技术的用例
| 图像标注技术 | 用例 |
|---|---|
| 2D 和 3D 边界框 | 非常适合为机器学习系统注释产品和商品的图像，以估算成本、库存等。 |
| 多边形 | 由于它们能够注释不规则物体和形状，因此它们非常适合在数字成像记录（如 X 射线、CT 扫描等）中标记人体器官。 它们可用于训练系统从此类报告中检测异常和畸形。 |
| 语义分割 | 用于自动驾驶汽车的空间，可以精确标记与车辆运动相关的每个像素。 图像分类适用于自动驾驶汽车，其中来自传感器的数据可用于检测和区分动物、行人、道路物体、车道等。 |
| 地标检测 | 用于检测和研究人类情绪以及开发面部识别系统。 |
| 线条和样条 | 在仓库和制造单位中很有用，可以为机器人建立边界以执行自动化任务。 |
总结
如你所见， 计算机视觉 非常复杂。 有很多错综复杂的问题需要处理。 虽然这些看起来和听起来令人生畏，但其他挑战包括及时提供高质量数据、无错误 数据注释 流程和工作流程、注释者的主题专业知识等等。
话虽如此，数据标注公司如 夏普 在向需要它们的公司提供高质量数据集方面做得非常出色。 在接下来的几个月里，我们还可以看到这个领域的演变，机器学习系统可以自己准确地注释数据集，零错误。
