Computer Vision ist das Teilgebiet der künstlichen Intelligenz, das sich damit befasst, Maschinen zu befähigen, aussagekräftige Informationen aus Bildern und Videos zu extrahieren, einschließlich der Erkennung von Objekten, dem Verständnis von Szenen, der Verfolgung von Bewegungen und, in generativen Anwendungen, der Erzeugung neuer visueller Inhalte. Es stützt sich auf maschinelles Lernen, Signalverarbeitung und Geometrie und war eines der beständigsten und produktivsten Testfelder für die Deep-Learning-Forschung.
Geschichte
Die frühe Computer Vision, von den 1960er- bis in die 2000er-Jahre, stützte sich auf handgefertigte Merkmale, Kantendetektoren und geometrische Modelle, die von Forschern entworfen wurden, kombiniert mit klassischen maschinellen Lernklassifikatoren. Der Fortschritt war langsam und die Leistung bei realen Bildern blieb begrenzt. Der entscheidende Wandel des Feldes kam mit dem ImageNet-Datensatz, der 2009 veröffentlicht wurde, und dem darauf aufbauenden jährlichen ILSVRC-Wettbewerb, der Forschern einen großen, standardisierten Maßstab für die Objekterkennung bot. Im Jahr 2012 gewann AlexNet, ein auf GPUs trainiertes faltendes neuronales Netz, die ILSVRC mit großem Abstand - ein Ereignis, das oft als Beginn der modernen Deep-Learning-Ära genannt wird und im Eintrag zu ImageNet 2012 (AlexNet moment) weiter diskutiert wird. Faltende Netzwerke dominierten das Feld für das folgende Jahrzehnt.
Kernaufgaben
Zu den klassischen Aufgaben der Computer Vision gehören die Bildklassifikation, bei der einem Bild ein Label zugewiesen wird; die Objekterkennung, bei der mehrere Objekte innerhalb eines Bildes lokalisiert und beschriftet werden; die semantische und Instanzsegmentierung, bei der jedes Pixel nach Kategorie oder Objektinstanz beschriftet wird; sowie die Posenschätzung. Videoaufgaben umfassen die Verfolgung von Objekten über Frames hinweg und die Erkennung von Aktionen über die Zeit. Historisch erforderte jede Aufgabe spezialisierte Architekturen, obwohl spätere transformerbasierte Vision-Modelle zunehmend mehrere Aufgaben unter gemeinsamen Backbones vereinheitlichten.
Von CNNs zu Transformatoren
Faltende Netzwerke blieben bis Mitte der 2010er-Jahre die dominierende Architektur, mit zunehmend tieferen und effizienteren Designs. Ab etwa 2020 passten Forscher die Transformer-Architektur, die ursprünglich für natürliche Sprachverarbeitung entwickelt wurde, an Bilder an, indem sie ein Bild als eine Sequenz von Patches behandelten - ein Ansatz, der als Vision Transformer bekannt wurde. Transformerbasierte Vision-Modelle erwiesen sich in großem Maßstab als konkurrenzfähig oder überlegen gegenüber CNNs und ließen sich leichter mit Text kombinieren, was zum Aufstieg von Vision-Language-Modellen wie CLIP beitrug, die eine gemeinsame Repräsentation für Bilder und Bildunterschriften lernen.
Generative und multimodale Vision
Seit den frühen 2020er-Jahren überschneidet sich Computer Vision zunehmend mit generativer Modellierung: Generative Adversarial Networks und später Diffusionsmodelle ermöglichten es nicht nur, Bilder zu interpretieren, sondern auch zu erzeugen, und trieben Text-zu-Bild- und Text-zu-Video-Systeme an. Vision-Language-Modelle, die in allgemeine Systeme eingebettet sind, erweiterten Computer Vision von engen Erkennungsaufgaben hin zu offener visueller Fragenbeantwortung und dem Denken über Bilder als Teil multimodaler KI.
Anwendungen und Bedenken
Computer Vision liegt Gesichtserkennung, medizinischer Bildanalyse, Wahrnehmung autonomer Fahrzeuge, industrieller Qualitätsprüfung und Inhaltsmoderation zugrunde, neben vielen anderen Anwendungen. Ihr Einsatz hat Kritik hinsichtlich algorithmischer Verzerrung hervorgerufen, insbesondere dokumentierte Genauigkeitsunterschiede in der Gesichtserkennung zwischen demografischen Gruppen, sowie hinsichtlich Überwachungsnutzungen, die Bedenken zu Bürgerrechten aufwerfen, was in breitere Debatten über akzeptable Nutzungen der Technologie einfließt.