Bu sayfa, Cloud Translation API ile çevrilmiştir.
Switch to English

genel bakış

Son birkaç yıl, sinir ağı mimarilerine eklenebilen yeni farklılaşabilir grafik katmanlarında bir artış gördü. Mekansal transformatörlerden farklılaştırılabilir grafik oluşturuculara kadar, bu yeni katmanlar yeni ve daha verimli ağ mimarileri oluşturmak için yıllarca bilgisayar vizyonu ve grafik araştırması boyunca edinilen bilgileri kullanır. Geometrik önceliklerin ve kısıtlamaların sinir ağlarına açıkça modellenmesi, kendi kendini denetleyen bir şekilde sağlam, verimli ve daha da önemlisi eğitilebilen mimarilere kapı açar.

Yüksek düzeyde, bir bilgisayar grafik boru hattı, 3D nesnelerin temsil edilmesini ve sahnede mutlak konumlandırılmasını, yapıldıkları malzemenin bir tanımını, ışıklar ve bir kamerayı gerektirir. Bu sahne açıklaması daha sonra sentetik bir render oluşturmak için bir oluşturucu tarafından yorumlanır.

Buna karşılık, bir bilgisayar görme sistemi bir görüntüden başlayacak ve sahnenin parametrelerini çıkarmaya çalışacaktır. Bu, sahnede hangi nesnelerin bulunduğunu, hangi malzemeden yapıldığını ve üç boyutlu konum ve yönlendirmeyi tahmin etmeyi sağlar.

Bu karmaşık 3B görme görevlerini çözebilen eğitim makinesi öğrenme sistemleri çoğunlukla büyük miktarlarda veri gerektirir. Verileri etiketlemek maliyetli ve karmaşık bir süreç olduğundan, fazla denetim olmadan eğitilirken üç boyutlu dünyayı anlayabilecek makine öğrenme modelleri tasarlamak için mekanizmalara sahip olmak önemlidir. Bilgisayarla görme ve bilgisayar grafik tekniklerini birleştirmek, hazır bulunan etiketlenmemiş verilerin büyük miktarlarından yararlanmak için eşsiz bir fırsat sunar. Aşağıdaki görüntüde gösterildiği gibi, bu, örneğin, görme sisteminin sahne parametrelerini çıkardığı ve grafik sisteminin bunlara dayanarak bir görüntüyü oluşturduğu sentezle analiz kullanılarak elde edilebilir. Görüntü oluşturma orijinal görüntüyle eşleşiyorsa, görüntü sistemi sahne parametrelerini doğru bir şekilde çıkartmıştır. Bu kurulumda, bilgisayar vizyonu ve bilgisayar grafikleri el ele gider ve otomatik denetleyiciye benzer, kendi kendini denetleyen bir şekilde eğitilebilen tek bir makine öğrenme sistemi oluşturur.

Tensorflow Graphics, bu tür zorlukların üstesinden gelmeye yardımcı olmak ve bunu yapmak için geliştirilmektedir; seçtiğiniz makine öğrenme modellerini eğitmek ve hata ayıklamak için kullanılabilir.