Компьютерное зрение и распознавание изображений

Что такое компьютерное зрение

В 2012 году нейросеть AlexNet совершила прорыв на конкурсе ImageNet, правильно распознав объекты на 14 миллионах изображений с ошибкой всего 15,3% — вдвое лучше предыдущих систем. С этого момента началась эра современного компьютерного зрения. Компьютерное зрение — это раздел искусственного интеллекта, который позволяет машинам анализировать и понимать визуальную информацию: фотографии, видео, медицинские снимки, данные с камер беспилотников.

Как работают свёрточные нейронные сети

В основе компьютерного зрения лежат свёрточные нейронные сети (CNN). Их принцип работы напоминает устройство зрительной коры мозга: нейроны на разных уровнях реагируют на всё более сложные признаки. На нижних слоях CNN выделяет простые элементы — границы, углы, цветовые переходы. На средних слоях формируются текстуры и формы. Верхние слои способны опознавать целые объекты — лица, автомобили, животных. Обучение такой сети на датасете ImageNet (14 миллионов изображений, 20 000 категорий) занимает дни на мощных графических процессорах, но после обучения сеть способна классифицировать изображение за миллисекунды.

YOLO и распознавание в реальном времени

Архитектура YOLO (You Only Look Once), представленная в 2016 году, произвела революцию в обнаружении объектов. В отличие от более ранних систем, которые многократно сканировали изображение, YOLO обрабатывает весь кадр за один проход и одновременно определяет координаты bounding box'ов и классы объектов. Современные версии YOLO (вплоть до YOLOv8) обнаруживают десятки объектов в кадре с частотой более 60 кадров в секунду, что делает возможным применение в беспилотных автомобилях, системах видеонаблюдения и спортивной аналитике.

Медицинская диагностика

Одно из самых социально значимых применений компьютерного зрения — медицинская диагностика. Системы на базе CNN анализируют рентгеновские снимки, МРТ и КТ-томограммы с точностью, достигающей 95% и выше для ряда заболеваний. Так, алгоритмы распознавания рака лёгких по КТ-снимкам превосходят среднего рентгенолога в обнаружении ранних узелков размером менее 3 мм. Система Google Health в 2020 году показала точность 94,5% в выявлении рака груди по маммограммам, превысив показатели шести экспертов-радиологов.

Ограничения и уязвимости

Несмотря на высокую среднюю точность, компьютерное зрение имеет серьёзные ограничения. Качество распознавания резко падает при необычных ракурсах, плохом освещении, частичном перекрытии объектов. Особую проблему представляют adversarial-атаки: злоумышленник может добавить к изображению незаметный глазу шум, и нейросеть уверенно примет панду за гиббона или дорожный знак «стоп» за знак ограничения скорости. Эта уязвимость критична для безопасности беспилотного транспорта и систем контроля доступа. Кроме того, сети не объясняют свои решения — мы видим результат, но не всегда понимаем, на каком основании он получен.