Trang này được dịch bởi Cloud Translation API.
Switch to English

Tổng quat

Vài năm gần đây đã chứng kiến ​​sự gia tăng các lớp đồ họa khác biệt mới lạ có thể được chèn vào các kiến ​​trúc mạng thần kinh. Từ các máy biến áp không gian đến các trình kết xuất đồ họa khác biệt, các lớp mới này tận dụng kiến ​​thức có được qua nhiều năm nghiên cứu về thị giác máy tính và đồ họa để xây dựng các kiến ​​trúc mạng mới và hiệu quả hơn. Mô hình hóa rõ ràng các linh mục hình học và các ràng buộc vào các mạng lưới thần kinh mở ra cánh cửa cho các kiến ​​trúc có thể được đào tạo mạnh mẽ, hiệu quả và quan trọng hơn là theo kiểu tự giám sát.

Ở mức cao, một đường ống đồ họa máy tính đòi hỏi phải có đại diện của các vật thể 3D và vị trí tuyệt đối của chúng trong cảnh, mô tả về vật liệu chúng được tạo ra, ánh sáng và máy ảnh. Mô tả cảnh này sau đó được diễn giải bởi trình kết xuất để tạo kết xuất tổng hợp.

Để so sánh, một hệ thống thị giác máy tính sẽ bắt đầu từ một hình ảnh và cố gắng suy ra các thông số của cảnh. Điều này cho phép dự đoán các vật thể trong cảnh, vật liệu chúng được làm từ gì, và vị trí và hướng ba chiều.

Các hệ thống máy học đào tạo có khả năng giải quyết các nhiệm vụ tầm nhìn 3D phức tạp này thường đòi hỏi số lượng lớn dữ liệu. Vì dữ liệu ghi nhãn là một quá trình tốn kém và phức tạp, điều quan trọng là phải có các cơ chế để thiết kế các mô hình học máy có thể hiểu thế giới ba chiều trong khi được đào tạo mà không cần giám sát nhiều. Kết hợp tầm nhìn máy tính và kỹ thuật đồ họa máy tính cung cấp một cơ hội duy nhất để tận dụng số lượng lớn dữ liệu không có sẵn có sẵn. Như được minh họa trong hình ảnh bên dưới, ví dụ, điều này có thể đạt được bằng cách sử dụng phân tích bằng cách tổng hợp trong đó hệ thống thị giác trích xuất các tham số cảnh và hệ thống đồ họa hiển thị lại hình ảnh dựa trên chúng. Nếu kết xuất khớp với ảnh gốc, hệ thống thị giác đã trích xuất chính xác các tham số cảnh. Trong thiết lập này, tầm nhìn máy tính và đồ họa máy tính song hành với nhau, tạo thành một hệ thống máy học duy nhất tương tự như bộ mã hóa tự động, có thể được đào tạo theo cách tự giám sát.

Đồ họa Tensorflow đang được phát triển để giúp giải quyết các loại thách thức này và để làm như vậy, nó cung cấp một tập hợp các lớp đồ họa và hình học khác nhau (ví dụ: máy ảnh, mô hình phản xạ, biến đổi không gian, cấu trúc lưới) và chức năng trình xem 3D (ví dụ 3D TensorBoard) có thể được sử dụng để đào tạo và gỡ lỗi các mô hình học máy của bạn.