Visual Computing Specialist
Ovenfor ses tre eksempler på genereret data. Billederne, og modellen, bliver genereret med tilfældige farver, baggrunde og støj. Dette fører til et enormt robust neuralt netværk, som kan genkende modellen og dens orientering på trods af rod i billedet og objektets farve og slid. Den tilsvarende 3-dimensionelle repræsentation bliver brugt til at lære det neurale netværk at associere knudepunkter på boremaskinen med specifikke lærte områder, den kan genkende. På denne måde kan et 2-dimensionelt billede overføres til 3D.
En beskrivelse af hele systemet (datagenerering, annotering, træning af neuralt netværk og projicering af 3D-objektet ind i et 2D-billede) kan læses i denne blogpost. Her diskuterer jeg også syntetisk data og potentielle faldgruber. Syntetisk data rummer et stort potentiale for at sænke tærsklen for brugen af deep learning og neurale netværk, specielt for små og mellemstore virksomheder.
"Syntetisk data rummer et stort potentiale for at sænke tærsklen for brugen af deep learning og neurale netværk, specielt for små og mellemstore virksomheder. "
Kun fantasien sætter grænser for brugen af denne teknologi. Deltag gerne i diskussionen og send forespørgsler til mig på oliver.gyldenberg@alexandra.dk.
Facebook har for nyligt udviklet DETR, et objektgenkendelsesnetværk baseret på en deep learning-algoritme kendt som ‘transformer’. DETR, som står for DEtection TRansformer, er et skridt i den rigtige retning, idet det reducerer mængden af domænekendskab, udvikleren skal have. Det simplificerer resultaterne og beregningsprocessen, og præsenterer et stærkt resultat i både hastighed og præcision.
Ⓒ 2023 - Alexandra Instituttet A/S
CVR Nr. 24 21 33 66
