Summary  
This chapter introduces the fundamentals of computer vision, covering tasks such as image classification, object detection, segmentation, recognition, edge detection, image restoration, scene reconstruction, and video motion analysis to enable machines to interpret and process visual data programmatically.

General domain of usage  
Autonomous driving

**Комп'ютерний зір** — це галузь **штучного інтелекту**, яка дозволяє машинам інтерпретувати та розуміти **візуальні дані** з навколишнього світу, подібно до того, як люди сприймають і обробляють візуальну інформацію. Вона охоплює отримання, обробку та аналіз зображень або відео для прийняття рішень чи отримання нових знань.

Визначення

**Реальні** застосування комп'ютерного зору включають:

**Комп'ютерний зір** охоплює різноманітні завдання, які дозволяють машинам ефективно розуміти та обробляти **візуальні дані**:
- Класифікація зображень;
- Виявлення об'єктів;
- Сегментація зображень;
- Розпізнавання облич та людей;
- Виявлення контурів;
- Відновлення зображень;
- Відповідність та реконструкція сцен;
- Аналіз руху на відео.

Яке твердження найкраще визначає комп'ютерний зір?

Комплексний вступ до комп'ютерного зору з акцентом на машинне сприйняття та інтерпретацію візуальних даних. Охоплює попередню обробку зображень, виділення ознак, виявлення об'єктів і методи глибокого навчання, що використовуються в сучасних системах комп'ютерного зору.

Комп'ютерний зір дозволяє машинам інтерпретувати та аналізувати візуальні дані, імітуючи людське сприйняття. У цьому розділі розглядаються основи представлення зображень, колірні моделі та математичні основи, необхідні для розуміння того, як комп'ютери обробляють зображення. Ви ознайомитеся з реальними прикладами застосування — від автономних транспортних засобів до медичної візуалізації, а також дізнаєтеся, як комп'ютерний зір інтегрується з штучним інтелектом і машинним навчанням.

OpenCV — це потужна бібліотека для маніпуляції зображеннями та задач комп'ютерного зору. У цьому розділі розглядаються основні техніки, такі як фільтрація зображень, перетворення, виявлення контурів та сегментація. Ви ознайомитеся з методами розмиття, бінаризації, знаходження контурів та виділення ознак для ефективного покращення та аналізу зображень.

Згорткові нейронні мережі обробляють візуальні дані за допомогою згорткових, пулінгових та активаційних шарів для виділення ознак у завданнях класифікації зображень та виявлення об'єктів. Основні компоненти включають паддінг, згортку для виділення ознак, пулінг для зменшення складності та активацію для нелінійності. Популярні архітектури, такі як AlexNet, VGG та ResNet, використовуються в штучному інтелекті для медицини, автономних систем і безпеки.

Виявлення об'єктів — це фундаментальне завдання комп'ютерного зору, яке полягає у ідентифікації та локалізації об'єктів на зображенні. На відміну від класифікації зображень, яка призначає одну мітку всьому зображенню, виявлення об'єктів не лише класифікує об'єкти, а й визначає їхні позиції за допомогою обмежувальних рамок. У цьому розділі розглядаються основні техніки та алгоритми, що використовуються для виявлення об'єктів, від традиційних методів до підходів на основі глибокого навчання, таких як YOLO та U-Net.

Комп'ютерний зір значно розвинувся за останні роки, перейшовши від базових методів обробки зображень до складних технологій глибокого навчання. У цьому розділі розглядаються новітні інновації у сфері комп'ютерного зору з акцентом на трансферне навчання, розпізнавання облич та генерацію зображень. Ми дослідимо переваги попередньо навчених моделей для продуктивності, принципи технології розпізнавання облич та способи створення зображень штучним інтелектом за допомогою глибокого навчання.

Що таке комп'ютерний зір?