影像辨識
含有「影像辨識」共 13 篇內容
全部內容
發佈日期由新至舊
類神經網路在圖形辨識應用中需要大量資料進行訓練，並常透過分批訓練來優化模型。本文介紹如何使用「MNIST」資料庫進行手寫數字辨識，並透過「資料分批」來有效處理訓練資料。最終，分批訓練的手法能夠提升模型的辨識能力，實現持續學習。
本文介紹使用 PyTorch 及類神經網路進行圖形資料集的分類。Fashion-MNIST 提供了機器學習研究上的著名範例；服飾的灰階圖像的分類。本文指導讀者從安裝 torchvision 到建立類神經網路，進行圖形分類的完整過程。也詳述了資料處理及訓練過程，幫助理解類神經網路在圖形分類上的應用。
人工智慧是什麼？
人工智慧（Artificial Intelligence, AI） 簡單來說，就是讓機器模仿人類的思考、學習和決策的能力。它就像是一個聰明的電腦程序，可以執行許多原本需要人類智慧才能完成的工作，例如：
語音辨識： 讓電腦聽懂人類的語言，像是 Siri、Google As
本文要探討AI的任務與實戰場景。AI技術已深入生活各層面，從違約預測到都市交通管理。AI任務主要有三類：數值型資料處理、自然語言處理（NLP）和電腦影像辨識。時間序列資料和強化學習方法（如AlphaGo）也引起廣泛關注。AI演算法和方法因應不同學派和技術發展而多樣化，了解這些基礎有助選擇適合研究方向
付費限定
在影像辨識中，若遇到物件與背景難以分辨的狀況下，先做一下色彩分析，知道了色彩強度階層上的像素數，有助於了解後續需要做什麼處理，比較好分割出辨識物。
若想辨識的物件與背景的RGB值過於接近，也比較好說明此狀況，為什麼較難分割出物件。
成果呈現
第一張圖：左邊為原圖，右邊為分析結果的圖，用其他顏
付費限定
Frames per second簡稱FPS， 也就是每秒幾個幀數的意思， 平常我們看到的影片背後其實都是一張張圖片的組成， 而這一幅畫面就是影片的每一幀。
由於人眼的特殊生理結構， 畫面的幀數只要高於每秒10 - 12張的時候就會認為是連貫的， 這也就是為什麼電影膠片是一格格的拍攝出來， 但是藉
針對辨識物的不同，流程就會不一樣，在依照現實狀況進行刪減，以下說明為個人常用的流程。
基本流程：
讀圖
灰階
濾波 (看圖片雜訊多不多)
二值化
連通區域
特徵篩選
特徵資訊
辨識 - (OCR，量測，瑕疵檢測等。)
名詞介紹
Gray 灰階
將原始的彩色圖像轉換為灰階圖
付費限定
點陣圖
點陣圖是由許多方格像素組成的圖片， 因此我們常常在將圖片放大時會呈現像是馬賽克的狀況， 假設期望圖片越清晰那所需要的像素會較多個， 因此空間耗用量也相對較大。
常見的格式有: .JPG .PNG .GIF .BMP .TIFF等格式。
繪製程式碼:
向量圖
向量
付費限定
繼上次分享的「【🔒 影像辨識 - 影像處理】Ep.1 關於影像的基本單位， 相信我們對於影像的儲存應該有了基本的認識了， 那麼接下來我們會需要的是了解顏色的組成。
我們除了在文章裡講述概念之外， 也會提供實作的數位作品分享給大家， 請大家根據範例學習與練習。
關於顏色
灰階的時代
早期尚未
付費限定
2月22日進場之前
因工作關係，從去年底開始搜尋有關AI影像自動辨識的廠商，最後選擇有股票上市櫃的集團旗下品牌。
3月起ChatGPT 浪潮
因為ChatGPT 生成式AI太火，也親自體驗時下流行生成式圖案。
先蹲後跳
因為持有了，也沒想到它與GPT有直接關聯。依照個人的操作習慣，等待波浪的循環、創
