Zusammenfassung

Computervision basiert auf der Analyse und Manipulation numerischer Pixelwerte in Bildern. Machine Learning-Modelle werden mit einer großen Anzahl von Bildern trainiert, um gängige Computer-Vision-Szenarien wie Bildklassifizierung, Objekterkennung, semantische Segmentierung, Beschriftungsgenerierung und andere zu ermöglichen.

Die Modelle, die für Computervisionsaufgaben verwendet werden, haben sich von statistikbasierten Bildklassifizierungen über konvolutionale neurale Netzwerke zu den heutigen transformatorbasierten multimodalen Modellen entwickelt. Modernste Modelle können nicht nur visuelle Eingaben interpretieren, sondern auch visuelle Ausgaben generieren.