เท่าที่เกี่ยวข้องกับการจำแนกพิกเซลตามคุณเป็นจุด แต่ละพิกเซลเป็นเวกเตอร์ n-มิติและจะถูกกำหนดให้กับบางคลาสตามเมตริกบางตัวไม่ว่าจะใช้ Support Vector Machines, MLE, ตัวแยกประเภท knn บางชนิด ฯลฯ
แม้ว่าในช่วงไม่กี่ปีที่ผ่านมามีการพัฒนาตัวจําแนกตามตัวจําแนกตามภูมิภาคมากขึ้นเนื่องจากการรวมกันของ GPU, ข้อมูลจำนวนมหาศาล, คลาวด์และความพร้อมใช้งานของอัลกอริทึมที่กว้างขอบคุณการเติบโตของโอเพ่นซอร์ส โดย github) หนึ่งในการพัฒนาที่ใหญ่ที่สุดในการมองเห็น / การจำแนกประเภทของคอมพิวเตอร์อยู่ในเครือข่ายประสาทเทียม (CNNs). เลเยอร์ Convolutional "เรียนรู้" คุณสมบัติที่อาจขึ้นอยู่กับสีเช่นเดียวกับตัวแยกประเภทตามพิกเซลแบบดั้งเดิม แต่ยังสร้างตัวตรวจจับขอบและตัวแยกคุณลักษณะอื่น ๆ ทุกชนิดที่อาจมีอยู่ในพื้นที่ของพิกเซล (ดังนั้นส่วนที่เป็น convolutional) ไม่สามารถแยกออกจากการจัดประเภทตามพิกเซล ซึ่งหมายความว่าพวกเขามีแนวโน้มที่จะจำแนกพิกเซลผิดประเภทที่อยู่ตรงกลางของพื้นที่พิกเซลประเภทอื่น - หากคุณเคยจัดประเภทและมีน้ำแข็งตรงกลางของอเมซอนคุณจะเข้าใจปัญหานี้
จากนั้นคุณใช้โครงข่ายประสาทที่เชื่อมต่ออย่างเต็มที่กับ "คุณสมบัติ" ที่เรียนรู้ผ่านการโน้มน้าวใจเพื่อทำการจำแนกอย่างแท้จริง ข้อดีอีกอย่างหนึ่งของ CNNs คือพวกมันเป็นค่าคงที่และการหมุนเนื่องจากมีชั้นกลางระหว่างชั้นการบิดและชั้นการจำแนกที่พูดลักษณะทั่วไปโดยใช้การรวมกำไรและการออกกลางคันเพื่อหลีกเลี่ยงการ overfitting และช่วยแก้ไขปัญหารอบตัว ขนาดและการวางแนว
มีทรัพยากรจำนวนมากในเครือข่ายประสาทสับสนแม้ว่าจะดีที่สุดจะต้องมีชั้น Standord จากอังเดร Karpathyซึ่งเป็นหนึ่งในผู้บุกเบิกด้านนี้และการบรรยายชุดทั้งหมดที่มีอยู่ในYouTube
แน่นอนว่ามีวิธีอื่น ๆ ในการจัดการกับการจำแนกพิกเซลตามพื้นที่ แต่ขณะนี้เป็นวิธีการที่ทันสมัยและมีแอปพลิเคชั่นมากมายนอกเหนือจากการจำแนกระยะไกลเช่นการแปลด้วยเครื่องและรถยนต์ที่ขับเคลื่อนด้วยตนเอง
นี่คืออีกตัวอย่างของการจำแนกตามภูมิภาคโดยใช้ Open Street Map สำหรับข้อมูลการฝึกอบรมที่ติดแท็กรวมถึงคำแนะนำสำหรับการตั้งค่า TensorFlow และการเรียกใช้บน AWS
นี่คือตัวอย่างการใช้ Google Earth Engine ของตัวจําแนกตามการตรวจจับขอบในกรณีนี้เพื่อการชลประทานแบบเดือย - ไม่ใช้อะไรมากไปกว่าเคอร์เนลแบบเกาส์และการโน้มน้าวใจ แต่กลับแสดงพลังของวิธีการตามภูมิภาค / ขอบ
ในขณะที่เหนือกว่าของวัตถุมากกว่า classfication พิกเซลที่ใช้ค่อนข้างได้รับการยอมรับอย่างกว้างขวางที่นี่เป็นบทความที่น่าสนใจในการสำรวจระยะไกลจดหมายการประเมินการปฏิบัติงานของการจัดหมวดหมู่ของวัตถุตาม
ในที่สุดตัวอย่างที่น่าขบขันเพียงเพื่อแสดงให้เห็นว่าแม้จะมีตัวแยกประเภทตามภูมิภาค / การแปลงภาพการมองเห็นคอมพิวเตอร์ยังคงเป็นเรื่องยากจริงๆ - โชคดีที่คนที่ฉลาดที่สุดใน Google, Facebook และอื่น ๆ กำลังทำงานบนอัลกอริทึม สุนัขแมวและสุนัขและแมวหลายสายพันธุ์ ดังนั้นผู้ใช้ที่สนใจการรับรู้ระยะไกลสามารถนอนหลับได้ง่ายในเวลากลางคืน