ניו-טק מגזין | יולי 2018

MACHINE VISION מוסף מיוחד

) הופכת למציאות Deep Vision ראייהעמוקה ( CNN עם רשתות רשתות נוירוניםמבצעותמשימותעיבוד תמונהמורכבות Martin Cassel, Editor, Silicon Software GmbH

ממוטבות CNN רשתות מאיצות ראיה ממוחשבת בשנים CNN ניסיון מעשי עם רשתות האחרונות הוביל להנחות מתמטיות ולהפשטות. ניתן למנות כמה, לדוגמה והימנעות ReLu , )pooling( - אגירה . הדבר הביא overfitting מהתאמת יתר לירידה בהוצאות המחשוב, מה שאיפשר יישום של רשתות עמוקות יותר. צמצום עומק התמונה באותו קצב של זיהוי ואופטימיזציה של האלגוריתם גורמים יכולות להיות מואצות CNN לכך שרשתות משמעותית וכעת הן אידאליות לעיבוד הן בלתי תלויות CNN תמונה. רשתות בהזזת התמונה ובאופן חלקי גם בהגדלתה ובכך מאפשרות את השימוש באותם מבני רשת עבור רזולוציות תמונה שונות. רשתות נוירונים קטנות יותר לעיתים קרובות מספיקות למשימות עיבוד תמונה רבות. בשל הרמה הגבוהה של מקביליות העיבוד, רשתות נוירונים מתאימות במיוחד FPGA ) Field Programmable Gate ל- יכולות גם CNN ), שעליו רשתות Array

למידה עמוקה בעזרת רשתות נוירונים תהיה בעלת השפעה משמעותית על העתיד של נושא עיבוד תמונות, שכן לגישה זו מספר יתרונות משמעותיים לתוצאות הסיווג והניתוח, וכן לאיכות התמונה הסופית. מכיוון שרשתות נוירונים קטנות מספיקות ליישומי ראייה אופייניים רבים, ניתן ליישם ביעילות Convolutional Neural (CNN) רשתות נוירונים מלאכותיות . כתוצאה מכך, קיימות FPGA על מעבדים דוגמת Networks אפשרויות יישום רבות, הרבה מעבר למשימות סיווג, תוך .(embedded) שימוש יעיל בתוך מערכות ראייה משובצות

י

ישומי עיבוד תמונה קלאסיים מוגבלים במקרים הבאים:

מתמטיים. זה מאפשר לכידה וניתוח של התמונה בתנאים קשים, כגון משטחים מחזירי אור (רפלקטיביים), אובייקטים נעים, זיהוי פנים, רובוטיקה, וכן סיווג קל יותר של המידע בתמונה ישירות מטרום העיבוד ועד לתוצאת הסיווג, דבר שנדרש CNN ביישומים רבים. עם זאת, רשתות אינן יכולות לכסות את כל תחומי עיבוד התמונה הקלאסיים, כגון קביעת מיקום מדויק של אובייקטים - כאן יהיה צורך חדשות ומתקדמות. CNN לפתח רשתות

האובייקטים הנבדקים מעוותים, בעלי צורות לא סטנדרטיות, בעלי וריאציות גדולות, סביבת התאורה אינה מתאימה/ מבוקרת או קיימים עיוותים אופטיים. אם, כמו במקרים אלה, לא ניתן לשלוט בתנאיםהסביבתייםשל רכישתהתמונה, גם אלגוריתמים ספציפיים לתיאור מאפיינים , CNN כמעט ולא ניתנים ליישום. רשתות לעומת זאת, מגדירות מאפיינים באמצעות שיטת האימון שלהן, ללא שימוש במודלים

New-Tech Magazine l 42