Y@SiN
08-24-2012, 10:12 PM
http://pnu-club.com/imported/2012/08/909.jpg (http://www.jamejamonline.ir/Media/images/1390/04/19/100848426221.jpg)
كليدي براي نوع جديدي از بينايي رايانه‌اي كه از رفتار انسان در درك اشيا تقليد مي‌كند
نبوغ اينشتين و فوريه در هوش مصنوعي
بینایی ماشین یكی از مباحث مهم در هوش مصنوعی بوده و تكنولوژی‌ای است كه یك ماشین را قادر به دیدن می‌كند. دیدن در اینجا به این معنی است كه سیستم ماشین مورد نظر قادر باشد اطلاعات لازم را از تصاویر به منظور انجام برخی كارها یا فهمیدن بعضی چیزها دریافت كند. بینایی ماشین، سطوح مختلفی دارد از تشخیص یك خط ساده گرفته تا درك اشكال سه‌بعدی همگی در این حوزه قرار دارند. این مبحث نیز مانند سایر مباحث هوش مصنوعی پویاست و دانشمندان در حال كشف راه‌حل‌های جدید هستند. در این شماره قصد داریم 2دستاورد جدید را كه می‌تواند موجب تغییرات زیادی در بینایی ماشین شود، معرفی كنیم.
مبنای این دو متد جدید افكار دو دانشمند پرآوازه در دنیای فیزیك و ریاضی است. بعد از گذشت سال‌ها افكار اینشتين در فیزیك به محققان هوش مصنوعی ایده می‌دهد و یافته‌ها و فرمول‌های فوریه، ریاضیدان بزرگ قرن هجدهم راهنمای راه آنهاست.
در ادامه به توضیح مختصر از این دو متد خواهیم پرداخت.
2 تكنیك جدید برای بینایی رایانه كه چگونگی درك انسان از اشیای سه‌بعدی را از انسان تقلید می‌كند، توسط محققان معرفی شده است. این تكنیك‌ها كه برایشان فرقی نمی‌كند اشیا چگونه هستند، خمیده یا (Computer Vision) صاف و یا پیچیده باشند یا ساده، می‌تواند به پیشرفت بینایی رایانه‌ای كمك كند. (heat mapping ) این تكنیك‌ها نقشه‌برداری گرما (heat distribution) و توزیع گرمایی نام دارند. كارثیك رامانی، استاد دانشگاه دانشگاه پوردو دونالد، در مورد این دو تكنولوژی می‌گوید: این دو به متد‌های ریاضی اشاره دارد كه برای قادر ساختن ماشین (رایانه) به درك محیط اشیای سه‌بعدی كاربرد دارد. او در ادامه می‌گوید درك اشیای سه‌بعدی برای انسان‌ها ساده است، ولی برای رایانه خیلی آسان نیست. ما می‌توانیم یك شئ را به اجزایش در ذهنمان تجزیه كنیم؛ مثلا یك دست را به كف دست و انگشت‌ها، كاری كه برای رایانه یك عملیات سخت است.
هر دو تكنیك از روش‌های اساسی فیزیك و معادلات مربوط به چگونگی انتشار گرما در سطوح استفاده می‌كنند.
آلبرت اینشتين كمك‌های شایانی به مبحث انتشار كرد. فیزیكدان و ریاضیدان جوزف فوریه قانون فوریه را برای معادلات حرارت ارائه كرد. رامانی می‌گوید: «ما روی شانه‌های غول‌های علم ایستاده‌ایم تا الگوریتمی برای این روش‌های جدید با استفاده از معادله گرما ارائه كنیم.»
همان طور كه گرما روی سطح منتشر می‌شود، برجستگی‌های یك شئ را با دقت در می‌یابد. این سیستم از «هوشمندی گرما» بهره می‌گیرد. گرما، هر نقطه‌ای را شبیه‌سازی می‌كند و در این فرآیند شكل یك شئ را تشخیص می‌دهد.
IEEEیافته‌ها در این مورد در 2 مقاله در كنفرانس دید رایانه‌ای و تشخیص الگوی با جزئیات كامل شرح داده خواهد شد.
یك محدودیت اصلی در متد‌های موجود این است كه آنها به اطلاعات قبلی در مورد شئ برای آنالیز كردن آن نیاز دارند، برای مثال در قطعه‌بندی شما باید از قبل به رایانه بگویید كه شئ چند قسمت دارد، مثلا 10 یا 12 قسمت. (قطعه‌بندی در بینایی ماشین به فرآیند تجزیه یك تصویر دیجیتال به قطعه‌های كوچك‌تر به منظور آسان‌سازی آنالیز تصویر گفته می‌شود.)
متد‌های جدید، توانایی انسان برای درك اشیا را تقلید می‌كند. به این دلیل كه انسان به یك ایده قبلی در مورد این كه اشیا از چه اجزایی تشكیل شده‌اند، نیاز ندارد. پس در این متدها نیازی به دانش قبلی نیست.
رامانی می‌گوید: ما سعی می‌كنیم تا آنجا كه امكان دارد به قطعه‌بندی انسان نزدیك شویم. یك موضوع به روز در هوش مصنوعی، یادگیری ماشین بدون نظارت است. این به آن معناست كه ماشینی مثل ربات می‌تواند بدون دانش قبلی درك كند و یاد بگیرد. ما قادر هستیم اندازه تقسیم‌بندی‌ها را به جای این كه از قبل تعیین كنیم، با استفاده از الگوریتم‌های خود تخمین بزنیم.
بخشی از بودجه این كار توسط بنیاد ملی علوم تامین می‌شود. ثبت اختراع این دستاورد نیز در انتظار تایید است.
این متدها كاربردهای بسیاری دارند، موتور جستجوی سه‌بعدی برای پیدا كردن قطعات خودرو در یك پایگاه داده، بینایی و موقعیت‌یابی ربات، تصویربرداری پزشكی سه‌بعدی، هواپیما‌های بدون‌سرنشین، ساخت شخصیت‌های سه‌بعدی در انیمیشن‌ها، كمك به دوربین‌های سه‌بعدی برای درك حركات انسانی به منظور بازی‌های تعاملی، كمك به پیشرفت بخش‌هایی از علوم و مهندسی كه به تشخیص الگو نیازمندند، یادگیری ماشین و بینایی ماشین، می‌تواند از كاربردهای این متدها باشد.
متد نقشه برداری گرما اول با تجزیه كردن یك شئ به شبكه‌ای از مثلث‌ها (ساده‌ترین اشكالی كه می‌توانند سطوح را مشخص و میزان گرما را در این شبكه‌ها محاسبه كنند) كار می‌كند. این متد در واقع از ردگیری گرما استفاده نمی‌كند، بلكه جریان گرما را با استفاده از اصول ریاضی دقیق شبیه‌سازی می‌كند.
متد نقشه‌برداری گرما به رایانه اجازه می‌دهد یك شئ را تشخیص دهد، اشیايی مانند دست یا بینی با توجه به این كه مشكلی نیست اگر دست خم باشد یا بینی بد شكل باشد! این روش قادر است اختلال ناشی از روش‌های اسكن لیزری یا هر نوع داده اشتباه را پوشش می‌دهد.
رامانی می‌گوید: مهم نیست كه انگشتان یا كف دست خود را چگونه تكان می‌دهید، به هر حال یك انسان تشخیص می‌دهد كه این یك دست است، ولی در این حالت، فهماندن این‌كه هنوز این شئ یك دست است، كار دشواری است، در اینجا نیاز به یك الگوریتم قوی و سازگار است كه تغییرات شدید را درك كند.
این متد بدقت چگونگی ردگیری گرما را هنگامی‌كه شئ ساختار اصلی خود را نشان می‌دهد، شبیه‌سازی می‌كند و شكل كلی شئ را تشخیص می‌دهد. در متد توزیع گرمایی از ردگیری گرما برای تشخیص شكل شئ استفاده می‌شود.
محققان این متدها را روی اشیای پیچیده‌ای مانند دست و یك موجود افسانه‌ای كه نیمی از بدن آن اسب و نیمی انسان است، امتحان كرده‌اند. در آینده شگفتی‌هایی را كه این دو متد در حوزه‌های مختلف به وجود خواهند آورد، مشاهده خواهیم كرد.
منبع:itnevis
كليدي براي نوع جديدي از بينايي رايانه‌اي كه از رفتار انسان در درك اشيا تقليد مي‌كند
نبوغ اينشتين و فوريه در هوش مصنوعي
بینایی ماشین یكی از مباحث مهم در هوش مصنوعی بوده و تكنولوژی‌ای است كه یك ماشین را قادر به دیدن می‌كند. دیدن در اینجا به این معنی است كه سیستم ماشین مورد نظر قادر باشد اطلاعات لازم را از تصاویر به منظور انجام برخی كارها یا فهمیدن بعضی چیزها دریافت كند. بینایی ماشین، سطوح مختلفی دارد از تشخیص یك خط ساده گرفته تا درك اشكال سه‌بعدی همگی در این حوزه قرار دارند. این مبحث نیز مانند سایر مباحث هوش مصنوعی پویاست و دانشمندان در حال كشف راه‌حل‌های جدید هستند. در این شماره قصد داریم 2دستاورد جدید را كه می‌تواند موجب تغییرات زیادی در بینایی ماشین شود، معرفی كنیم.
مبنای این دو متد جدید افكار دو دانشمند پرآوازه در دنیای فیزیك و ریاضی است. بعد از گذشت سال‌ها افكار اینشتين در فیزیك به محققان هوش مصنوعی ایده می‌دهد و یافته‌ها و فرمول‌های فوریه، ریاضیدان بزرگ قرن هجدهم راهنمای راه آنهاست.
در ادامه به توضیح مختصر از این دو متد خواهیم پرداخت.
2 تكنیك جدید برای بینایی رایانه كه چگونگی درك انسان از اشیای سه‌بعدی را از انسان تقلید می‌كند، توسط محققان معرفی شده است. این تكنیك‌ها كه برایشان فرقی نمی‌كند اشیا چگونه هستند، خمیده یا (Computer Vision) صاف و یا پیچیده باشند یا ساده، می‌تواند به پیشرفت بینایی رایانه‌ای كمك كند. (heat mapping ) این تكنیك‌ها نقشه‌برداری گرما (heat distribution) و توزیع گرمایی نام دارند. كارثیك رامانی، استاد دانشگاه دانشگاه پوردو دونالد، در مورد این دو تكنولوژی می‌گوید: این دو به متد‌های ریاضی اشاره دارد كه برای قادر ساختن ماشین (رایانه) به درك محیط اشیای سه‌بعدی كاربرد دارد. او در ادامه می‌گوید درك اشیای سه‌بعدی برای انسان‌ها ساده است، ولی برای رایانه خیلی آسان نیست. ما می‌توانیم یك شئ را به اجزایش در ذهنمان تجزیه كنیم؛ مثلا یك دست را به كف دست و انگشت‌ها، كاری كه برای رایانه یك عملیات سخت است.
هر دو تكنیك از روش‌های اساسی فیزیك و معادلات مربوط به چگونگی انتشار گرما در سطوح استفاده می‌كنند.
آلبرت اینشتين كمك‌های شایانی به مبحث انتشار كرد. فیزیكدان و ریاضیدان جوزف فوریه قانون فوریه را برای معادلات حرارت ارائه كرد. رامانی می‌گوید: «ما روی شانه‌های غول‌های علم ایستاده‌ایم تا الگوریتمی برای این روش‌های جدید با استفاده از معادله گرما ارائه كنیم.»
همان طور كه گرما روی سطح منتشر می‌شود، برجستگی‌های یك شئ را با دقت در می‌یابد. این سیستم از «هوشمندی گرما» بهره می‌گیرد. گرما، هر نقطه‌ای را شبیه‌سازی می‌كند و در این فرآیند شكل یك شئ را تشخیص می‌دهد.
IEEEیافته‌ها در این مورد در 2 مقاله در كنفرانس دید رایانه‌ای و تشخیص الگوی با جزئیات كامل شرح داده خواهد شد.
یك محدودیت اصلی در متد‌های موجود این است كه آنها به اطلاعات قبلی در مورد شئ برای آنالیز كردن آن نیاز دارند، برای مثال در قطعه‌بندی شما باید از قبل به رایانه بگویید كه شئ چند قسمت دارد، مثلا 10 یا 12 قسمت. (قطعه‌بندی در بینایی ماشین به فرآیند تجزیه یك تصویر دیجیتال به قطعه‌های كوچك‌تر به منظور آسان‌سازی آنالیز تصویر گفته می‌شود.)
متد‌های جدید، توانایی انسان برای درك اشیا را تقلید می‌كند. به این دلیل كه انسان به یك ایده قبلی در مورد این كه اشیا از چه اجزایی تشكیل شده‌اند، نیاز ندارد. پس در این متدها نیازی به دانش قبلی نیست.
رامانی می‌گوید: ما سعی می‌كنیم تا آنجا كه امكان دارد به قطعه‌بندی انسان نزدیك شویم. یك موضوع به روز در هوش مصنوعی، یادگیری ماشین بدون نظارت است. این به آن معناست كه ماشینی مثل ربات می‌تواند بدون دانش قبلی درك كند و یاد بگیرد. ما قادر هستیم اندازه تقسیم‌بندی‌ها را به جای این كه از قبل تعیین كنیم، با استفاده از الگوریتم‌های خود تخمین بزنیم.
بخشی از بودجه این كار توسط بنیاد ملی علوم تامین می‌شود. ثبت اختراع این دستاورد نیز در انتظار تایید است.
این متدها كاربردهای بسیاری دارند، موتور جستجوی سه‌بعدی برای پیدا كردن قطعات خودرو در یك پایگاه داده، بینایی و موقعیت‌یابی ربات، تصویربرداری پزشكی سه‌بعدی، هواپیما‌های بدون‌سرنشین، ساخت شخصیت‌های سه‌بعدی در انیمیشن‌ها، كمك به دوربین‌های سه‌بعدی برای درك حركات انسانی به منظور بازی‌های تعاملی، كمك به پیشرفت بخش‌هایی از علوم و مهندسی كه به تشخیص الگو نیازمندند، یادگیری ماشین و بینایی ماشین، می‌تواند از كاربردهای این متدها باشد.
متد نقشه برداری گرما اول با تجزیه كردن یك شئ به شبكه‌ای از مثلث‌ها (ساده‌ترین اشكالی كه می‌توانند سطوح را مشخص و میزان گرما را در این شبكه‌ها محاسبه كنند) كار می‌كند. این متد در واقع از ردگیری گرما استفاده نمی‌كند، بلكه جریان گرما را با استفاده از اصول ریاضی دقیق شبیه‌سازی می‌كند.
متد نقشه‌برداری گرما به رایانه اجازه می‌دهد یك شئ را تشخیص دهد، اشیايی مانند دست یا بینی با توجه به این كه مشكلی نیست اگر دست خم باشد یا بینی بد شكل باشد! این روش قادر است اختلال ناشی از روش‌های اسكن لیزری یا هر نوع داده اشتباه را پوشش می‌دهد.
رامانی می‌گوید: مهم نیست كه انگشتان یا كف دست خود را چگونه تكان می‌دهید، به هر حال یك انسان تشخیص می‌دهد كه این یك دست است، ولی در این حالت، فهماندن این‌كه هنوز این شئ یك دست است، كار دشواری است، در اینجا نیاز به یك الگوریتم قوی و سازگار است كه تغییرات شدید را درك كند.
این متد بدقت چگونگی ردگیری گرما را هنگامی‌كه شئ ساختار اصلی خود را نشان می‌دهد، شبیه‌سازی می‌كند و شكل كلی شئ را تشخیص می‌دهد. در متد توزیع گرمایی از ردگیری گرما برای تشخیص شكل شئ استفاده می‌شود.
محققان این متدها را روی اشیای پیچیده‌ای مانند دست و یك موجود افسانه‌ای كه نیمی از بدن آن اسب و نیمی انسان است، امتحان كرده‌اند. در آینده شگفتی‌هایی را كه این دو متد در حوزه‌های مختلف به وجود خواهند آورد، مشاهده خواهیم كرد.
منبع:itnevis