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

genel bakış

Son birkaç yılda, sinir ağı mimarilerine eklenebilen yeni, farklılaştırılabilir grafik katmanlarında bir artış görüldü. Uzamsal transformatörlerden farklılaştırılabilir grafik oluşturuculara kadar bu yeni katmanlar, yeni ve daha verimli ağ mimarileri oluşturmak için yıllarca bilgisayar görüşü ve grafik araştırmalarından elde edilen bilgileri kullanır. Geometrik önceliklerin ve kısıtlamaların sinir ağlarına açıkça modellenmesi, sağlam, verimli ve daha da önemlisi kendi kendini denetleyen bir şekilde eğitilebilen mimarilere kapı açar.

Yüksek düzeyde, bir bilgisayar grafiği boru hattı, 3B nesnelerin temsilini ve sahnedeki mutlak konumlarını, yapıldıkları malzemenin bir açıklamasını, ışıkları ve bir kamerayı gerektirir. Bu sahne açıklaması daha sonra sentetik bir işleme 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 malzemelerden yapıldıklarını ve üç boyutlu konum ve yönelimlerin tahmin edilmesini sağlar.

Bu karmaşık 3B görüntü görevlerini çözme becerisine sahip makine öğrenimi sistemlerini eğitmek, çoğunlukla büyük miktarlarda veri gerektirir. Verilerin etiketlenmesi maliyetli ve karmaşık bir süreç olduğundan, çok fazla gözetim olmaksızın eğitilirken üç boyutlu dünyayı kavrayabilen makine öğrenimi modellerini tasarlayacak mekanizmalara sahip olmak önemlidir. Bilgisayarla görme ve bilgisayar grafiği tekniklerini birleştirmek, kolayca bulunabilen büyük miktarda etiketlenmemiş veriden yararlanmak için benzersiz bir fırsat sağlar. Aşağıdaki resimde gösterildiği gibi, bu, örneğin, görüş sisteminin sahne parametrelerini çıkardığı ve grafik sisteminin bunlara dayalı olarak bir görüntüyü oluşturduğu sentez yoluyla analiz kullanılarak gerçekleştirilebilir. İşleme orijinal görüntüyle eşleşirse, görüş sistemi sahne parametrelerini doğru bir şekilde çıkarmıştır. Bu kurulumda, bilgisayarla görü ve bilgisayar grafikleri el ele gider ve otomatik kodlayıcıya benzer, kendi kendine denetimli bir şekilde eğitilebilen tek bir makine öğrenimi sistemi oluşturur.

Tensorflow Graphics, bu tür zorlukların üstesinden gelmeye yardımcı olmak için geliştirilmektedir ve bunu yapmak için, bir dizi farklılaştırılabilir grafik ve geometri katmanı (ör. Kameralar, yansıtma modelleri, uzamsal dönüştürmeler, ağ kıvrımları) ve 3D görüntüleyici işlevleri (ör. 3D TensorBoard) sağlar. tercih ettiğiniz makine öğrenimi modellerinizi eğitmek ve hatalarını ayıklamak için kullanılabilir.