DataLabeling.EU

-

Dane obrazowe

Świadczymy profesjonalne usługi w zakresie etykietowania danych. Otrzymujesz najlepiej oznakowane dane.

Wykrywanie obiektu

Detekcja obiektów to dziedzina połączona z wizją komputerową (computer vision) oraz przetwarzaniem obrazu. Jej główną rolą jest wykrywaniem obiektów o danych cechach semantycznych (wspólnych dla danej kategorii) w filmach lub obrazach cyfrowych. Jest to pierwszy etap widzenia komputerowego, w którym komputer rejestruje to, co zostało mu przedstawione. Często stosuje się w tym etapie uczenie głębokie.

Segmentacja semantyczna

Segmentacja semantyczna to proces, w którym przypisujemy etykiety do każdego piksela na grafice. Nie jest to klasyfikacja, w której jedna etykieta odpowiada za jeden obraz. Tutaj wiele obiektów tej samej klasy ustanawiamy, jako pojedynczy element. Mówiąc inaczej, segmentacja semantyczna prezentuje proces kojarzenia piksela obrazu z etykietą danej klasy.  

Segmentacja instancji

Segmentacja instancji to problem wykrywania, segmentowania i wyznaczania każdego odrębnego interesującego nas obiektu pojawiającego się na obrazie.  Segmentacja instancji jest nieco trudniejsza od segmentacji semantycznej, ponieważ tutaj szczegółowo opisujemy wcześniej przypisane piksele do etykiet, na przykład pies → pies nr 1, pies nr 2 etc. Dokładniejsza segmentacja instancji mówiłaby pies → owczarek niemiecki → Fido

Analiza kontekstu

Pozwala ona maszynom klasyfikować informacje na temat otaczającego je środowiska. W świecie realnym ludzkie oko nie widzi pojedynczej rzeczy a całe środowisko, w którym znajduje się dany przedmiot. W widzeniu maszynowym (machine vision) również przedmioty nie składają się z pojedynczego piksela. Im bardziej rozbudowane środowisko, gdzie przedstawiony jest obraz, tym większa możliwość skojarzeń kontekstowych do wykorzystania. Analiza kontekstu oznacza, że maszyna skupia się na relacjach pikseli (lub całego obrazu), jaki ma on z innymi elementami na grafice. Im bardziej zwiększymy kontekst, tym pełniejszy obraz korelacji otrzymujemy.