影像辨識，「將影像輸入至分析的儀器中來進行影像分析，廣泛應用在影像監控系統。」而透過影像分析設定，可以針對入侵者、移動物體、火焰、煙霧…等進行特殊事件觸發設定，具有提早預警的效果。
我們的終極目標就是教導機器能夠像人⼀樣理解所見之物，像是：識別物品、辨認人臉、推論物體的幾何形態，從中理解其中的關聯、情緒、動作及意圖。 那電腦要達成這個目標的第一步，就是教它如何辨別物品。
舉例來說，貓咪是由⼀些幾何圖形和顏色所組成的，過去人類使用數學語言告知電腦演算方法，貓就是有圓圓的臉、胖胖的身體、兩個尖尖的耳朵和⼀條長尾巴。但若貓咪改變造型，全身捲起來，就要在原本的模型上加入新的形狀、不同的視野角度。但若貓迷事躲藏的？我們發現，即使像是貓這樣的家庭寵物，也會有相對於原型以外、數也數不清的其他形態表徵， 而這只是其中⼀樣。
【推薦學習】
使丹佛大學教授、前Google雲端人工智慧暨機器學習首席科學家李飛飛，透過一個簡單而深刻的觀察，改變這個想法。
李飛飛發現沒有人教導孩童如何去「看」世界，尤其在孩童發育階段，他們是直接從真實世界的經驗中來學習，到三歲左右的年紀時，孩童已經看過世界中數以萬計的照片。大量的訓練範例，讓李飛飛知道應該使用「孩童學習經驗法則」，兼顧質與量，提供訓練的資料給電腦，不再是過往的追求更好的程式演算。
經過上述的觀察，李飛飛認為要蒐集大量資料群，於是她和普林斯頓大學的李凱教授於2007年開始ImageNet專案。而2009年時，ImageNet已經是個擁有涵蓋了2萬2千種不同類別，多達150億幅圖像的資料庫。
ImageNet的資料可以教育電腦，結果李飛飛發現：ImageNet所提供的豐富資訊恰巧與機器學習演算的其中⼀門特定領域相合，就是在1970及1980年代，辛頓（Geoff Hinton）和勒丘恩（Yann LeCun）等學者所提出，著名的「卷積神經網絡」（Convolutional Neural Network，CNN） 。
*想了解CNN，請看Q42什麼是卷積神經網路 Convolutional Neural Networks, CNN？
卷積神經網路CNN在大家的意料之外，開花結果。在一般的神經網路中，會使用作訓練的物品便是模型有2400萬個節點、1億4000萬個參數、150億個連結。如同人的大腦是由無數個緊密連結的神經元所阻，而神經網路的基本運作單位是一個類神經元的節點。
ImageNet的運作方式是從別的節點得到資料，再傳給其他節點，這些節點擁有層層的組織架構，好像人的大腦⼀樣。現在，電腦不僅能告訴我們圖中有隻貓，還能告訴我們貓在哪裡。
視覺始於眼睛，但真正使它有用的，卻是大腦。
有時候，若電腦不確定自己所見到的東西時， 但人已經將它訓練到可以給出一個安全答案，它就能做到跟常人一樣。但有些時候，電腦運算竟可以精準辨識出物體品項，如：製造商、型號、車子年份…。
但我們只是礁島電腦辨識物品，像小孩學習講話一樣，下一波指標性則是運用「溝通」。因此，已經不會用「這是貓」來描述圖片，而是會聽到這個小孩說：「這是躺在床上的貓。」因此，要教導電腦看到圖並說出句子， 必須進⼀步地仰賴龐大資料群以及機器的學習演算。
現在，電腦不只要學習圖片辨識，還要學習人類自然的說話方式，如同大腦要結合視覺和語言⼀樣。⼀個模型可以連結不同的可視物體，就像視覺片段⼀樣，並附上句子用的字詞和片語。
目前已經有人工智慧專家群，做出了第⼀個電腦版的模型，它可以在初次看到照片時，說出跟人類似的自然語句。這是第⼀次人類的眼睛不是唯⼀可以用來思考和探索世界的工具，不只可以利用機器的智慧，更能運用許多想像不到的方式合作。
這是李飛飛想追求的目標：「給予機器智慧之眼， 為整個世界創造更美好的未來。」
影像識別的基本原理，包含：
- 影像於電腦中的形式：儲存格式、讀取及寫入、像素運算…
- 影像處理方法：影像去雜訊、影像品質增強、影像重採樣…
- 影像前處理：影像二值化 、閾值分析、影像去雜訊、影像模糊、影像強化、影像縮放、色彩空間轉換…等
- 數位電腦視覺 ：影像特徵提取、特徵強化、輪廓萃取、卷積運算、型態學運算、分水嶺演算法、距離轉換…原理應用
【推薦學習】
想成為爬蟲工程師 、資料分析師 、資料工程師 、資料分析領域專家 、人工智慧產品經理嗎？還是你的公司正需要培養此領域人才呢？
點我了解 AI資料科學家全方位學程 👉 https://bit.ly/3o4N39e
每日5分鐘， 提拔我園丁陪你快速添補AI/資料科學知識與技能。
若想了解更多AI/資料科學的小知識、及各產業的相關應用，歡迎訂閱TibaMe FB及部落格，或有其他想了解的主題歡迎在下方留言讓我們知道唷！
參考資料