從影像辨識進展到影像理解

近年來，影像辨識技術正以各種形式支援著人類的生活。

例如：智慧型手機透過臉部辨識進行解鎖；在視訊會議中，為了模糊背景，會使用影像辨識技術將人物與背景分離。

「影像辨識」是指「利用電腦對影像中的物體或人物動作、文字等進行分類與識別」。

近年來影像辨識已進化到能對輸入影像進行物體或行為分類後，進而生成描述該影像的文字。這種高階技術有時會與影像辨識區分開來，稱為「影像理解」 (Image Understanding)。

雖然影像辨識技術多樣，但並不代表每種技術都完全不同。隨著近年深度學習 (Deep Learning) 的發展，機器學習模型的通用化程度提高，不同的問題往往能用幾乎相同的技術解決。

人類透過感覺器官感知的資訊會轉換為電氣訊號進行處理，並應用於識別。

然而，視覺資訊並非一開始就是以電氣訊號的形式從現實世界傳來，而是光信號。因此，人類要處理視覺資訊，首先需要一個能將光信號轉換為電氣訊號的「感測器」。

在人體中負責感測器角色的是眼睛。從現實世界進入眼睛的光信號會透過「水晶體」進行對焦，並投影到「視網膜」上。視網膜將投影的光信號轉換為電氣訊號，並輸出至視神經。

電腦內部的訊息交換也是透過電氣訊號進行。因此，電腦要活用視覺資訊，同樣需要感測器，而扮演這個角色的就是相機。

https://www.geeksforgeeks.org/computer-vision/computer-vision/

在相機中，來自現實的光信號會透過「鏡頭」進行對焦，投影到「感光元件」上。感光元件將投影的光信號轉換為電氣訊號，寫入相機記憶體中或傳輸至外部裝置。

而現今智慧型手機標榜的「1200 萬畫素」這類數值，代表的就是建構成感光元件的受光元件數量。投影到感光元件的光信號會由各個受光元件轉換為電氣訊號，因此元件數量越多，越能將影像轉換為細膩的電氣訊號。

影像辨識的處理流程(在深度學習出現之前)

輸入影像 => 特徵提取(Feature Extraction) => 分類．迴歸 => 輸出結果

特徵提取：指將輸入影像轉換為電腦易於處理的「特徵」。例如，從影像明暗差異中提取出的「邊緣特徵」、從顏色中提取出的「顏色特徵」，進而整合這些資訊來表現物體零件的特徵。此外，在提取過程中也會排除雜訊等干擾辨識的資訊。
特徵量 (Feature Value)：提取出來的特徵稱為特徵量，通常以向量 (Vector) 的形式來存取使用。
分類 (Classification)：將辨識對象分配到離散類別的處理。
例如在區分貓與狗時，將狗分配為 0、貓分配為 1，並以此推算。
迴歸 (Regression)：用於推算連續數值。
例如推測狗的大小（重量或身長）時，數值是連續變化的，此時直接推算數值（而非僅分類為 0 或 1）較為合適。

電腦會對特徵提取得到的特徵量進行分類．迴歸處理。尤其可特別被放大檢視的就是特徵提取與分類/迴歸的處理是明確分開的，且各自的方法需要由人工設計。

然而，自從深度學習登場後，特徵提取與分類/迴歸通常會整合在同一個神經網路 (Neural Network) 中。這兩者之間的界線變得不再那麼明顯。，當然也仍有單獨轉用神經網路的特徵提取部分的手法。

第25個冬天