第五集：影像標註、前處理、CNN 與電腦視覺風險（L2102 電腦視覺技術與應用）
進入課程重點，幫各位建立理解影像標註、前處理、CNN、物件偵測、影像分割與電腦視覺風險。準備好跟我一起破關了嗎？我們開始吧！
在我們被一堆專有名詞淹沒之前，你想過一個真實世界的問題嗎？同一個物件，在不同光線下模型還認得出來嗎？比如說大晴天、大陰天，甚至是嚴重背光的時候，AI 真的有辦法精準認出它嗎？
第一部分，我們就先來拆解影像管線，看看什麼是前處理與 CNN。
你知道嗎？其實任何一個電腦視覺專案，絕對不是直接把照片丟給 AI 讓它自己去瞎猜。最關鍵的第一步叫做資料標註。簡單來說，就是我們必須先用人工的方式，在影像上畫個框或是塗色，清清楚楚的告訴模型畫面裡究竟有什麼，這樣模型在開始運算前才會知道目標在哪裡。如果沒有高品質的標註，後面演算法寫得再神也是白搭。
標註好之後，影像在正式餵給模型吃之前，還得先做一系列的清理與標準化，這就是所謂的影像前處理。它包含了把圖片縮放成統一的大小、裁切掉沒用的邊緣、去除模糊雜訊來去噪、讓數值分布一致的標準化，最後還有一個超級重要的步驟，也就是資料增強。
那麼問題來了，到底什麼是資料增強？一句話說清楚：它就是刻意去修改、翻轉，或者調整影像的亮暗度，來提升模型面對環境差異時的適應能力，也就是泛化能力。
沒錯，這就完美回到了我們一開始說的那個「不同光線」的問題。透過資料增強，我們主動餵給模型各種光線變化的圖，它以後就不會被光影給騙倒了。
好，當影像洗得乾乾淨淨之後，終於要進入 CNN，也就是卷積神經網路了。CNN 聽起來很玄對吧？一句話解釋：CNN 就是透過一層一層的卷積層，像是一台超級掃描機一樣劃過圖片，把影像裡的邊緣、紋理、形狀這些局部特徵通通萃取出來。這是現代電腦視覺最核心的引擎喔。
接著進入第二部分，模型抓到特徵後的下游任務，我們來比較物件偵測與影像分割。這兩個概念最容易搞混了。當 CNN 抓出特徵後，物件偵測做的事情，是畫一個邊界框把目標物體框起來，然後告訴你框框裡是什麼。但是影像分割就更細緻了，它是直接沿著物件的真實輪廓，進行像素層級的上色與分類。一個是畫方形框框，另一個是逐像素塗滿顏色，這樣對比是不是就很清楚了。
這邊大家精神來一下，針對 iPAS 考試，考試看到這種關鍵字就往哪個方向判斷？只要在題幹看到「邊界框」，想都不用想，答案就是物件偵測；如果題目特別強調「像素」或是「精確區域」，那絕對是影像分割。把這個直覺的反射動作記下來，這題我就拿分。
第三部分，我們來聊聊實際應用，還有大家最怕遇到的導入風險。
電腦視覺的威力真的是無所不在，從工廠產線上的品質檢測、醫院裡幫醫生判讀的醫療影像、到路口的智慧監控、路上的自動駕駛汽車，甚至是無人機導航，這些超強的應用，全部都是靠剛剛說的 CNN 影像管線撐起來的。
但先別急著覺得 AI 萬能，實作上可是有極大風險的。如果在導入時沒有做好嚴謹的場域測試，遇到拍攝條件不一樣，或是訓練的資料有嚴重的偏差，系統絕對會發生大誤判。另外，因為攝影機隨時都在拍，隱私問題也是我們導入電腦視覺時必須嚴肅面對與治理的課題。
好，第四部分，直接進入 iPAS 壓力測試，幫大家釐清觀念。來看隨堂測驗第一題：實務上為了提升模型對光線差異等拍攝條件的泛化能力，我們應該要使用影像前處理的哪一種技術呢？給你幾秒鐘想一下。
啊哈，你答對了嗎？答案就是資料增強。為什麼呢？題目裡說要提升模型對光線差異的泛化能力，只要看到「泛化能力」跟「環境差異」，對應的絕招絕對就是資料增強。
再來第二題：哪一項電腦視覺任務，會輸出像素層級的分類結果，藉此來標示出精確的影像區域？運用一下剛剛教的關鍵字直覺，回憶一下，沒錯，就是影像分割。大家還記得嗎？考試看到這種關鍵字就往這個方向判斷，只要看到「像素層級」或是「精確區域」，指的絕對是影像分割；看到「邊界框」才是物件偵測。把這兩個對比抓穩就對了。
最後第五部分，我們來到考前必備總結。上考場前這三個關鍵字請深深印在腦海裡：第一，要解決拍攝差異、提升模型泛化能力，找資料增強；第二，看到邊界框選物件偵測，看到像素選影像分割；第三，CV 導入的最大風險，通常來自未經測試的資料偏差以及隱私問題。這三點顧好，你的底子就非常紮實了。
希望今天這一集重點複習，有幫大家省下很多啃磚頭書的時間。如果你覺得有收穫，記得訂閱、按讚並分享 iPAS 陪跑師頻道喔。
下一集我們將帶大家拆解 L2103 生成式AI技術與應用：文本、圖像、語音生成怎麼考。我是 Stan，我們下次見。
留言