컴퓨터가 사물을 보고 해석하기 시작한 이래로 세상은 예전 같지 않았습니다. 얼굴에 웃긴 수염을 만들어주는 Snapchat 필터처럼 단순한 재미있는 요소부터 스캔 보고서에서 미세한 종양의 존재를 자율적으로 감지하는 복잡한 시스템에 이르기까지 컴퓨터 비전은 인류의 진화에서 중요한 역할을 하고 있습니다.
그러나 훈련되지 않은 AI 시스템의 경우 시각적 샘플 또는 데이터 세트가 제공되는 것은 아무 의미가 없습니다. 분주한 월스트리트의 이미지나 아이스크림의 이미지를 제공할 수 있지만 시스템은 둘 다 무엇인지 알지 못합니다. 아직 이미지와 시각적 요소를 분류하고 분할하는 방법을 배우지 않았기 때문입니다.
이제 이것은 세부 사항과 노동에 세심한주의가 필요한 매우 복잡하고 시간이 많이 걸리는 프로세스입니다. 여기에서 데이터 주석 전문가가 AI 모델이 시각적 데이터 세트의 다양한 요소를 쉽게 학습할 수 있도록 이미지의 모든 단일 바이트 정보에 수동으로 속성을 지정하거나 태그를 지정합니다. 컴퓨터가 주석이 달린 데이터를 훈련할 때 풍경과 도시 경관, 동물과 새, 음료와 음식, 기타 복잡한 분류를 쉽게 구별합니다.
이제 우리는 이것을 알았으므로 데이터 주석자는 어떻게 이미지 요소를 분류하고 태그를 지정합니까? 그들이 사용하는 특정 기술이 있습니까? 그렇다면 무엇입니까?
글쎄요, 이것이 바로 이 포스트가 다룰 내용입니다 - 이미지 주석 유형, 장점, 과제 및 사용 사례.
이미지 주석 유형
컴퓨터 비전을 위한 이미지 주석 기술은 다섯 가지 주요 범주로 분류할 수 있습니다.
- 물체 감지
- 라인 감지
- 랜드마크 감지
- 분할
- 이미지 분류
객체 감지
이름에서 알 수 있듯이 물체 감지의 목표는 컴퓨터와 AI 모델이 이미지에서 서로 다른 물체를 식별하도록 돕는 것입니다. 다양한 객체가 무엇인지 지정하기 위해 데이터 주석 전문가는 세 가지 주요 기술을 배포합니다.
- 2D 경계 상자: 여기에서 이미지의 다른 개체 위의 직사각형 상자가 그려지고 레이블이 지정됩니다.
- 3D 경계 상자: 여기서 3차원 상자는 물체 위에 그려지며 물체의 깊이도 나타납니다.
- 다각형 : 불규칙하고 독특한 물체는 물체의 가장자리를 표시하고 궁극적으로 함께 결합하여 물체의 모양을 덮음으로써 레이블이 지정됩니다.
장점
- 2D 및 3D 경계 상자 기술은 매우 간단하고 개체에 쉽게 레이블을 지정할 수 있습니다.
- 3D 경계 상자는 2D 경계 상자 기술에는 없는 개체의 방향과 같은 세부 정보를 제공합니다.
물체 감지의 단점
- 2D 및 3D 경계 상자에는 실제로 개체의 일부가 아닌 배경 픽셀도 포함됩니다. 이것은 여러 면에서 훈련을 왜곡합니다.
- 3D 경계 상자 기술에서 주석자는 대부분 객체의 깊이를 가정합니다. 이것은 훈련에도 상당한 영향을 미칩니다.
- 개체가 매우 복잡한 경우 다각형 기술은 시간이 많이 걸릴 수 있습니다.
라인 감지
이 기술은 이미지의 선과 경계를 분할하거나 주석을 달거나 식별하는 데 사용됩니다. 예를 들어, 도시 도로의 차선.
장점
이 기술의 주요 장점은 공통 경계를 공유하지 않는 픽셀도 감지하고 주석을 달 수 있다는 것입니다. 이것은 짧거나 가려진 선에 주석을 달기에 이상적입니다.
단점
- 라인이 여러 개인 경우 프로세스 시간이 더 오래 걸립니다.
- 겹치는 선이나 개체는 잘못된 정보와 결과를 줄 수 있습니다.
랜드마크 감지
데이터 주석의 랜드마크는 특별한 관심이나 의미가 있는 장소를 의미하지 않습니다. 주석을 추가해야 하는 이미지의 특별하거나 필수적인 지점입니다. 이것은 얼굴 특징, 생체 인식 등이 될 수 있습니다. 이것은 포즈 추정으로도 알려져 있습니다.
장점
랜드마크 포인트의 정확한 좌표가 필요한 신경망을 훈련하는 데 이상적입니다.
단점
매분 요점에 정확하게 주석을 달아야 하기 때문에 이것은 매우 시간 소모적입니다.
분할
하나의 이미지가 다양한 측면을 식별하기 위해 여러 세그먼트로 분류되는 복잡한 프로세스입니다. 여기에는 경계 감지, 개체 찾기 등이 포함됩니다. 더 나은 아이디어를 제공하기 위해 다음은 주요 세분화 기술 목록입니다.
- 의미론적 세분화: 이미지의 모든 단일 픽셀에 자세한 정보가 주석으로 표시됩니다. 환경적 맥락이 필요한 모델에 중요합니다.
- 인스턴스 세분화: 여기서 이미지에 있는 요소의 모든 인스턴스에는 세부 정보에 대한 주석이 추가됩니다.
- Panoptic 세분화: 시맨틱 및 인스턴스 세분화의 세부 정보가 이미지에 포함되고 주석이 추가됩니다.
장점
- 이러한 기술은 개체에서 가장 정밀한 정보를 가져옵니다.
- 교육 목적으로 더 많은 컨텍스트와 가치를 추가하여 궁극적으로 결과를 최적화합니다.
단점
이러한 기술은 노동 집약적이며 지루합니다.
이미지 분류
이미지 분류에는 객체의 요소를 식별하고 특정 객체 클래스로 분류하는 작업이 포함됩니다. 이 기술은 물체 감지 기술과 매우 다릅니다. 후자에서는 객체가 식별될 뿐입니다. 예를 들어, 고양이 이미지는 단순히 동물로 주석을 달 수 있습니다.
그러나 이미지 분류에서 이미지는 고양이로 분류됩니다. 여러 동물이 있는 이미지의 경우 모든 동물이 감지되고 그에 따라 분류됩니다.
장점
- 데이터 세트의 개체에 대한 자세한 정보를 머신에 제공합니다.
- 모델이 동물(예:) 또는 모델별 요소를 정확하게 구별하는 데 도움이 됩니다.
단점
데이터 주석 전문가가 모든 이미지 요소를 신중하게 식별하고 분류하는 데 더 많은 시간이 필요합니다.
Computer Vision에서 이미지 주석 기술의 사용 사례
| 이미지 주석 기법 | 고객 사례 |
|---|---|
| 2D 및 3D 경계 상자 | 비용, 재고 등을 추정하기 위해 기계 학습 시스템의 제품 및 상품 이미지에 주석을 추가하는 데 이상적입니다. |
| 다각형 | 불규칙한 물체와 모양에 주석을 달 수 있기 때문에 X-Ray, CT 스캔 등과 같은 디지털 이미징 기록에서 인간의 장기에 태그를 지정하는 데 이상적입니다. 이러한 보고서에서 이상 및 기형을 감지하도록 시스템을 훈련하는 데 사용할 수 있습니다. |
| 시맨틱 분할 | 차량 움직임과 관련된 모든 픽셀에 정확하게 태그를 지정할 수 있는 자율 주행 자동차 공간에서 사용됩니다. 이미지 분류는 센서의 데이터를 사용하여 동물, 보행자, 도로 물체, 차선 등을 감지하고 구별할 수 있는 자율 주행 자동차에 적용할 수 있습니다. |
| 랜드마크 감지 | 인간의 감정을 감지하고 연구하고 얼굴 인식 시스템을 개발하는 데 사용됩니다. |
| 선과 스플라인 | 로봇이 자동화된 작업을 수행할 수 있도록 경계를 설정할 수 있는 창고 및 제조 장치에서 유용합니다. |
최대 포장
보시다시피, 컴퓨터 비전 매우 복잡합니다. 처리해야 할 복잡한 사항이 많이 있습니다. 이러한 모양과 소리가 벅차지만 추가적인 문제에는 오류 없는 고품질 데이터의 적시 가용성이 포함됩니다. 데이터 주석 프로세스 및 워크플로, 주석자의 주제별 전문 지식 등.
즉, 다음과 같은 데이터 주석 회사는 샤이프 품질 데이터 세트를 필요로 하는 회사에 고품질 데이터 세트를 제공하는 데 엄청난 노력을 기울이고 있습니다. 앞으로 몇 달 안에 머신 러닝 시스템이 데이터 세트에 오류 없이 정확하게 주석을 달 수 있는 이 분야의 발전도 볼 수 있습니다.
