什麼是電腦視覺 (Computer Vision)?

近年來，電腦視覺（Computer Vision，簡稱 CV）逐漸普及，成為人工智慧（AI）成長最快的領域之一。電腦視覺的目標是讓電腦能夠辨識並理解影像與影片中的物體和人物。

電腦視覺應用透過感測設備、人工智慧、機器學習和深度學習技術的輸入，模擬人類視覺系統的運作方式。這套系統能夠像人類大腦一樣處理影像與影片，但運算速度更快、準確度更高，能夠超越人類的視覺處理能力。

電腦視覺的流程

1. 影像/影片獲取：

透過感測設備取得影像，例如相機、攝影機、醫學影像設備，或其他專門用於影像擷取的設備。

2. 數據分析：

影像或影片數據隨後被傳送至分析設備，利用影像識別技術進行影像分解，並將其中辨識到的內容與資料庫進行比對，以確定是否匹配。資料庫中存有訓練模型時所使用的數據，包括通用模型，或針對特定場景所標註的數據，例如家用掃地機器人、寵物攝影機等應用。

3. 資訊輸出：

設備分析後，依據需求輸出不同的資訊，提供應用端所需的處理結果。

電腦視覺：深度學習與機器學習

電腦視覺通常採用傳統的機器學習 (Machine Learning, ML) 技術或深度學習方法。在標準 Machine Learning 方法中，開發人員可以透過程式設計，使小型應用能夠識別影像中的模式。接著，統計學習演算法會對影像進行分類並偵測其中的物件。這與早期方法相比是一大進步，因為過去開發人員必須手動編寫大量規則，才能讓電腦視覺應用識別特定物件。

深度學習在電腦視覺領域為機器學習提供了截然不同的方式。這種方法基於神經網路，透過辨識所提供範例中的模式來解決問題。它需要大量高品質的訓練數據，並適當調整變數，例如神經網路層數。當提供足夠多的範例時，神經網路將能夠自主學習並辨識目標物件（例如放射影像中的癌細胞），無需額外的人為介入。由於深度學習技術相較於傳統方法更容易部署，因此被廣泛應用於電腦視覺領域。

電腦視覺的主要應用方式與案例

根據需求，機器可能會使用以下四種主要方法之一，或結合多種方法來解讀影像資訊：

1. 辨識 (Recognition)：電腦視覺可識別並解釋影像中的物件。例如，自駕車可以透過攝影機拍攝的照片或影片，偵測十字路口的停車標誌，進而做出適當的行駛決策。

2. 重建 (Reconstruction)：透過視覺感測數據，電腦可以偵測各種類型的運動，並識別影像的多個視角。此技術常應用於地圖繪製、環境建模及遊戲產業，以構建更真實的 3D 空間。

3. 對準 (Registration)：電腦視覺可將不同的數據集轉換至同一個座標系統。例如，在醫學影像分析中，來自不同臨床事件的兩張影像可能包含互補資訊，而在進行數據融合前，第一步是透過配準技術來對齊多個影像模態，確保它們的空間對應一致。

4. 分割 (Segmentation)：此方法主要用於將影像內容分組與細分。例如，在冰上曲棍球比賽的影像中，電腦視覺系統可識別冰面上的黑色冰球，但球員的溜冰鞋可能會影響冰球的識別準確性。透過重組技術，系統可以利用預先標註的數據與內建記憶體，準確區分冰球與球員的溜冰鞋，以提升辨識精度。

電腦視覺的應用

目前，許多電腦視覺應用已經投入實際使用，其中部分技術對社會發展具有重大影響。例如，CV 透過影像辨識技術，幫助自駕車識別行人、交通號誌，以及行駛路線中的其他關鍵特徵。醫療專業人員也運用 CV 技術，分析電腦斷層（CT）、X 光影像及其他醫學影像，以輔助診斷。許多電子商務企業則仰賴 CV 技術進行廣告投放、產品推薦，甚至過濾不當或違規內容，以確保品牌安全性。

無論應用於何種場景，越來越多企業投入電腦視覺技術，藉此提升預測能力並加速決策過程。許多 AI 解決方案完全依賴電腦視覺來運行，而這樣的發展得以實現，正是因為當前有大量高品質影像數據可供機器學習與處理。

電腦視覺的未來

電腦視覺在各大產業中擁有廣泛的應用，並將迅速普及於我們的日常生活。然而，這同時也是機器學習領域中最具挑戰性的技術之一。許多企業正在開發基礎架構，以支援 CV 在日常營運中的應用，並透過穩定的數據管道確保模型獲得足夠的訓練數據，使其能夠隨著時間推移持續優化與進步。最終，這將使電腦能夠更快速且高效地處理過去由人類執行的重複性任務，降低營運成本並提升收益。

電腦視覺應用程式將在現有的強大功能基礎上持續發展，因為 CV 逐漸成為企業應用領域的關注焦點。隨著數據可用性不斷提升、計算處理能力日益增強，電腦視覺的未來發展潛力無限，將持續推動人工智慧技術的進步與創新。

來自 Appen 電腦視覺專家 Kuo-Chin Lien 的見解

Appen 透過自身專業團隊，協助您打造最先進的電腦視覺模型，並確保提供卓越的客戶體驗。電腦視覺主管 Kuo-Chin Lien 帶領團隊，確保 Appen 客戶的 CV 模型能夠順利開發與成功部署。他對電腦視覺領域有三大關鍵見解：

成功始於明確的標準

在電腦視覺專案中，確立清晰的數學指標至關重要。這些指標可能包括物件偵測專案中的 IoU（交集並集比），或物件追蹤專案中的 MOTA（多目標追蹤準確度）。對於創新應用，某些專案甚至可能需要量身訂製的新指標。透過這些標準，機器學習科學家、產品經理與數據標註供應商能夠擁有明確的共同目標，以優化數據與流程。

可視化細節，掌握關鍵錯誤

除了關注關鍵指標外，科學家還需要深入分析實驗細節，確保數據的可視化呈現能夠找出特定錯誤的來源。可視化對電腦視覺專案的影響極大，因為錯誤的參數設定可能會直接產生視覺假象。Appen 發現，透過實作從「任務級別」到「像素級別」的多層級可視化技術，開發過程能變得更加直覺與高效。

全面提升模型效果

在資源允許的情況下，應考慮整合多重訊息來源來提高模型準確度，包括：

1. 結合人類與機器推理結果，確保判斷更精確
2. 使用多名標註者與多種演算法，提升數據一致性
3. 融合多個感測器訊號，進一步降低誤判風險

例如，在 自動駕駛車輛的安全關鍵感知演算法 中，車廠需要精準的地面真實數據，而數據供應商則需提供高度準確的標註結果。前述標註流程的重複驗證能降低不確定性，進而減少自動駕駛應用的風險。

透過這些策略，Appen 讓電腦視覺技術的應用更精確、更可靠，為企業提供更具競爭力的 AI 解決方案。

我們能為您做什麼

Appen 提供數據標註與收集服務，大規模提升機器學習的品質與效率。作為該領域的全球領導者，我們能夠快速提供大量高品質的影像與影片數據，滿足您特定的電腦視覺應用需求。