2020年7月12日 机器视觉与计算机视觉技术

用于太空星系检测的计算机视觉应用

计算机视觉是一个跨学科领域,结合了物理、计算机科学和电气工程等学科的知识。其主要目标是开发能够再现人类视觉技能的算法和系统。与计算机视觉最密切相关的领域是图像处理、图像分析和机器视觉。

计算机视觉的核心应用历来在医疗保健,汽车和农业行业,主要是因为开发和部署这些系统所需的大量投资。在过去的8年中,情况发生了巨大变化:进入壁垒已经减少,开源图库也在激增。如今,来自低收入国家的学生和专业人士可以获得大量的计算机视觉资源,并可以在短时间内开发出高影响力的应用程序。

图1:计算机视觉的相关学科。

观测天文学是天文学的一个分支,它涉及记录有关可观测宇宙的数据。地面和太空望远镜每晚用于观测行星和遥远的星系。专用望远镜仪器收集存储在远程服务器中的原始数据,然后使用多个图像处理和分析通道进行处理。

与天文图像处理相关的常见任务是系统效应消除、点源检测和图像增强。这些任务可以在多个应用程序中使用,例如IRAF1和Astropy2等库,它们通常由天文学家和工程师使用。

如今,大部分的数据采集和处理任务都是全自动的。该社区开发了一些免费的数据缩减通道和框架,可以供望远镜、大学和学术界以外的专业人员轻松使用。

图2:这张地图展示了斯隆数字巡天在过去二十年中发现的一些天体图像。

斯隆数字巡天(SDSS3)是有史以来规模最大的天文调查,产生的目录包含大约5亿个来源。整个数据集的重量超过100 TB,它包括来自三分之一天体的图像、光谱和目录。数据的减少和数据分析最初是使用由美国几所大学和研究所的天文学家,数据科学家和工程师开发的定制管道完成的,后来由来自世界各地的专业人员进行扩展。

尽管数据缩减和准备主要是使用经典的图像处理方法完成的,但在数据分析和可视化领域仍有很大的改进空间。计算机视觉看起来是一个很有前景的解决方案,可以促进天文学中大数据的分析,并加速宇宙中结构和现象的发现。但是,这不是一件容易的事;来自不同领域(跨学科)的新方法或技术的引入是缓慢的,并且通常比现有技术延迟数年。造成这种情况的原因可能有两个因素:一个是没有可能从其他领域带来知识的跨学科科学家;第二个因素是知识在成熟和发展之后传播到其他领域。例如,我们在计算机科学领域开发了计算机视觉技术,它们与机器学或深度学习相关,在它们开发后4-5年就进入天体物理学,通过计算它可以很容易地看到它们。与计算机视觉/深度学习/机器学习相关的纸质出版物数量少于300个,深度学习,快速CNN和SSD等概念自2017-2018年以来才刚刚出现在论文中。

在这种情况下,AstroCV4存储库似乎是一个邀请加入努力,以减少从计算机视觉到天体物理学的知识转移的时间延迟,特别是现在随着计算机视觉和获取新的开发框架和更便宜的GPU计算的知识的大量增长功率。

作为AstroCV计划的一部分,我们使用最先进的SSD神经网络框架(Darknet)训练星系检测和识别模型,并且我们开发了一种新的数据增强程序,以便对来自不同滤波器和仪器。训练集由Galaxy Zoo5数据库构建,具有椭圆形,螺旋形,边缘形和合并星系的分类。数据增强对任何模型训练场景都非常重要;它有助于改善小型训练集的结果,并使模型在不同条件下更可靠。特别是,天文图像采用多个滤波器和FITS格式,每个像素都有原始CCD数据,然后从FITS到RGB图像的数据转换不是唯一的,取决于望远镜的相机,带通滤波器,缩小模式,以及用于将光子计数缩放到色标的转换方法。

我们在同一物体上制作了包括多种颜色转换方法的数据增强方案,从而在检测来自不同望远镜/仪器的图像时得到了重要改进,同时考虑到我们仅使用了SDSS仪器的训练集。在图3中,我们显示来自SDSS的图像的结果达到召回率为90%。但是,对于从不同滤色镜和望远镜拍摄的图像,结果不是那么好,性能可能下降到甚至20%的召回性能。包括我们的数据增强程序,我们可以获得高达3倍的召回结果。在图4中,我们显示了从哈勃深场拍摄的图像的结果。

图3:在典型的SDSS图像中使用我们的模型发现的星系。

图4:具有数据增强功能的哈勃深场图像中的星系。

Roberto Gonzalez和RobertoMuñoz以前是天文学家,并为智利公司MetricArts6转移到计算机视觉行业,因此天体物理学,计算机科学和工业之间的知识转移已成为他们的日常基础过程。 他们认为技术行业和学术界之间的跨学科和协作是引领计算机视觉和人工智能领域的基础。 然而,它需要改变传统学院和传统产业的思维方式,传统产业的跨学科性和知识转移价值较低,特别是在欠发达国家。

标签: in 计算机视觉
Banner
Related Posts

计算机视觉的最佳图像注释平台

2019年5月10日

2019年5月10日

我们一直在寻找最佳的图像注释平台,该平台提供多种功能、项目管理工具和注释过程的优化(当您需要注释50k图像时,每个图像减少1秒钟!)。

图像处理中的深度学习技术

2018年8月9日

2018年8月9日

机器学习中的另一种技术是例如“超级矢量机”。与深度学习相比,必须手动定义和验证功能。在深度学习中,神经网络采用这一手动步骤:在训练过程中,独立地自动识别和提取特征。

为什么计算机视觉项目中选择OpenCV而不是MATLAB

2019年12月25日

2019年12月25日

在目前可用于计算机视觉的许多工具和库中,有两种主要的工具OpenCV和Matlab在速度和效率方面表现突出。在本文中,我们将详细介绍这两种方法。

计算机视觉的未来

2018年8月9日

2018年8月9日

计算机视觉通过缩短开发时间并创建与用户想要和需要的内容相匹配的最终产品,为用户提供直接的好处。而不是在一小群开发人员和C级管理人员的闭门造车中确定功能,是基于自然使用而不断发展。

计算机视觉在钢铁夹杂物分析中的应用研究

2019年12月5日

2019年12月5日

卡内基梅隆大学材料科学与工程学(MSE)教授布莱恩·韦伯勒(Bryan Webler)表示:“夹杂物是一些微小的颗粒始终漂浮在钢中,”。固相夹杂物会聚在一起,堵塞喷嘴和其他控制钢水流动的流量控制系统。一些夹杂物化学成分会降低钢的延展性、抗疲劳性或整体韧性。 “它们会影响钢材的最终性能,这就是我们如此关心它们的原因。”

为什么数据科学在高级图像识别中很重要?

2020年1月17日

2020年1月17日

由于视觉和语音是两个至关重要的人类交互元素,数据科学能够利用计算机视觉和语音识别技术来模拟这些人类任务。即使它已经开始模仿和杠杆在不同的领域,特别是在电子商务部门。机器学习的进步和高带宽数据服务的使用增强了图像识别的应用。

研究人员发现用于3D视觉的神经元

2019年7月5日

2019年7月5日

英国纽卡斯尔大学的科学家在昆虫大脑中发现了计算3D距离和方向的神经元。了解这些可能有助于提高和发展机器人视觉应用。

深度学习“瓶颈”已至,计算机视觉如何突破困局?

2018年8月9日

2018年8月9日

从人工智能的发展过程看,深度学习是继专家系统之后人工智能应用的又一重要研究领域,也是人工智能和神经计算的核心研究课题之一。Alan Yuille认为,现在做AI不提神经网络,成果都很难发表了,这不是一个好势头。

计算机视觉究竟是个怎样的行业?

2019年6月20日

2019年6月20日

5月1日外媒消息,微软刚刚发布了 Windows Vision Skills 的预览版本,是一个 NuGet 包集合。

CMU的研究人员设计出利用计算机视觉来观察周围角落的新技术

2019年6月20日

2019年6月20日

未来的自动驾驶汽车和其他机器智能系统可能不需要视线来收集极其详细的图像数据:卡内基梅隆大学(Carnegie Mellon University)、多伦多大学(University of Toronto)和伦敦大学学院(University College London)的一项新研究设计出了一种“观察周围角落”的技术。

自动机器视觉初创企业Nexar发布实时互动地图产品

2019年7月19日

2019年7月19日

导引 :该公司在声明中表示,通过将用户提供的更新数据与汽车摄像头和传感器的Nexar数据相连接,该公司的地图可以实时警告驾驶员道路的危险,施工区域和道路标志的丢失等

英伟达Jetson Nano定位于大众市场机器学习

2019年3月20日

2019年3月20日

GPU巨头英伟达(Nvidia)发布了用于大众市场产品的微型人工智能电脑Jetson Nano。

利用机器学习消灭撒哈拉以南非洲采采蝇

2018年8月9日

2018年8月9日

“我们将使用数据科学来创建一个基于机器学习的自动化系统,它可以从采采蛹中快速确定是雄性还是雌性,”Zsuzza Marka说。这一系统将成为机器人分拣机的基础,我们希望该机器最终将用于撒哈拉以南非洲地区,以减轻采采蝇的危害。”

图像分类和目标检测技术有什么区别?

2020年5月20日

2020年5月20日

图像分类和目标检测技术是计算机视觉领域的重要研究方法。这些技术帮助机器理解和识别实时对象和环境,帮助数字图像作为输入。多年来,计算机视觉技术已经被应用于多个领域,包括医疗保健、制造业、零售业等等。

富士通发布了新的AI计算机视觉软件以简化行为识别培训

2019年12月5日

2019年12月5日

富士通开发了一种基于人工智能的新方法,可以对视频片段进行行为分析,据该公司公告称,它可以识别出一系列细微而复杂的人类活动,而无需大量的培训数据。

Comments
发表评论

电子邮件地址不会被公开。 必填项已用*标注