Depende de su entorno y propósito para hacer un proyecto de Visión por computadora. ¿Estás en el laboratorio haciendo investigación pura, o en la industria o en algún punto intermedio, como un laboratorio industrial orientado a la investigación?
¿Es un proyecto de investigación en el que realiza investigaciones, recopila y anota datos, desarrolla algoritmos novedosos?
¿Es la visión industrial por computadora, donde busca los algoritmos correctos (rápidos, escalables y precisos) para su problema, y los implementa en su entorno, ya sea un robot de selección y colocación, o una aplicación de teléfono móvil?
- ¿Cuál es el mejor método de selección de características cuando los datos del tren tienen más características que el número de puntos de datos? ¿Asumir que los datos son muy grandes?
- ¿En qué aspectos el aprendizaje automático y la inteligencia artificial cambiarán la fabricación pesada, como la industria del petróleo y el gas?
- ¿Qué papel juega la intuición en las matemáticas y puede la IA reemplazar completamente a un matemático?
- ¿Cómo puedo evitar el sobreajuste?
- Cómo hacer una biblioteca en ML como Tensorflow
He estado en ambos lugares y he visto algunos puntos en común entre hacer proyectos industriales o de investigación orientados a la visión por computadora.
Mi flujo de trabajo es algo así:
- Piensa simple: acerca de tu visión por computadora. ¿Cuál es el objetivo del proyecto, qué se espera que entregue al final? Es posible que desee hacer una lectura inicial relacionada con el problema, pero tenga cuidado de no sentirse abrumado con la cantidad de veces que las personas ya intentaron resolverlo. Decida: ¿Necesitamos llevar estos hallazgos recientes más lejos o simplemente usar uno de ellos?
- Experimentos de referencia: no puede saber realmente si necesita investigar hasta que implemente al menos 1-2 algoritmos principales desarrollados anteriormente. Si también puede encontrar su código en la página del proyecto, sería genial. ¿Realmente están funcionando como ya se informó en el documento? En su mayoría no funcionan, es por eso que todavía no vemos robots locos dando vueltas. Los experimentos que realizan se basan en un conjunto limitado de clases y en un conjunto de imágenes muy controlado que no representa desafíos del mundo real. Encuentre fallas en su método, ¿qué suposiciones duras hacen que relacionan estos resultados poco realistas? Al final, esto le brinda una exposición para su propio problema específico y una idea para las soluciones existentes.
- Encuentre los datos correctos: y / o recopile uno. Aquí, es uno de los pasos desafiantes, debe tener mucho cuidado para no recolectar ruido, en lugar de una información estructurada que le sirva para sus propósitos de predicción.
- Visualice sus datos: una de las ventajas que he visto hasta ahora con la visión por computadora es que es una ciencia visual, y tenemos ojos, piense con sus ojos. Por lo tanto, podemos visualizar cosas y ver qué está sucediendo allí. ¿Realmente tenemos suficientes datos? Cuánto ruido disponible, y podemos limpiarlo (de forma manual o automática, preferiblemente). ¿Qué podemos extraer de esta información visual para intentar resolver nuestros problemas? Simplemente grafica imágenes relacionadas, mira horas de videos, anota todo lo que puedas para profundizar en los datos y el problema.
- Haga una lista de todas las cosas que tiene que estimar a partir de los datos: ahora hizo lecturas, realizó algunos experimentos de línea de base, entendió las soluciones ya disponibles, recopiló o encontró sus datos y miró los datos y entendió lo que está sucediendo allí. En esta etapa, debe conocer alguna lista de elementos que necesita obtener de sus datos: necesito detectar una lista de objetos domésticos, necesito encontrar el tipo de escena, necesito estimar dónde mirarán las personas en una imagen … Y supongamos que tiene todos estos datos disponibles en la etapa de predicción. Si puede estimar de manera confiable todos los elementos con mucha precisión (es decir, tener acceso a todas las anotaciones). Esto validará si está trabajando en un problema válido. De lo contrario, actualice sus suposiciones, sus datos, su comprensión de los datos …
- Intente predecir los elementos utilizando técnicas recientes de visión por computadora: ahora valida que si puede predecir toda esa información, podrá resolver su problema. Busque soluciones ya disponibles, objetos de última generación, escena, acción y otros detectores. Desarrollar uno consume mucho tiempo y energía, y generalmente desea no tener que hacerlo.
- Tome notas, hable con la gente e repita: Como puede ver, debe aumentar su conocimiento sobre lo que está trabajando tanto como pueda, en cada paso. Pero somos humanos, nos olvidamos de las cosas. Por lo tanto, mantenga un cuaderno de investigación y actualícelo. Hable con diferentes personas dentro o fuera del laboratorio, para saber dónde se queda atrapado: ¿Conocen una métrica de similitud más precisa para su espacio de características? También sabrá qué pasos debe reconsiderar después de observar su progreso. ¿Sus hallazgos son suficientes para hacerlos públicos?