تشخیص اشیاء

برای شناسایی موفقیت‌آمیز یک انسان یا شیء در یک ویدیو، نیاز است که یک برنامه ساخته شود که هم شامل تشخیص شی و هم طبقه‌بندی تصویر باشد. مدل‌های بینایی کامپیوتری با یادگیری عمیق، مقادیر زیادی از داده‌های تصویری را تغذیه می‌کنند تا به آنها آموزش دهند که یک شی خاص چگونه به نظر می‌رسد. سپس مدل‌ها می‌توانند یاد بگیرند که آن اشیاء را در سناریوهای جدید شناسایی کنند. روش ها و الگوریتم های مختلفی تا کنون در این تکنولوژی به کار گرفته شده است.برای اینکه رایانه بتواند اشیای بصری را تشخیص دهد، باید صدهاهزار نمونه از آن را آموزش ببیند؛ برای مثال، ما می‌خواهیم کسی بتواند اتومبیل و دوچرخه را از هم تشخیص دهد؛ چگونه این وظیفه را برای یک انسان توصیف می‌کنیم؟ احتمالاً می‌گوییم دوچرخه دو چرخ دارد و اتومبیل چهار چرخ؛ یا اینکه دوچرخه پدال دارد و اتومبیل این‌گونه نیست. در یادگیری ماشین به این کار مهندسی ویژگی (Feature Engineering) می‌گویند.