I sensori Lidar passano dalle auto a guida autonoma ai gemelli digitali e al metaverso  La tecnologia Lidar ha attirato l'attenzione di una serie di tecnologie avanzate che promettono di creare le auto a guida autonoma di domani. Ma i sensori lidar sono anche importanti negli sforzi per produrre gemelli digitali e casi d'uso del metaverso. Un aspetto fondamentale dei gemelli digitali risiede nell'aggiornamento dei modelli del mondo reale con alta fedeltà e ad alta frequenza. Lidar integra tecnologie come le fotocamere stereoscopiche per l'acquisizione di dati 3D dal mondo fisico che potrebbero essere convogliati in gemelli digitali o applicazioni metaverse.  La tecnologia core lidar esiste da quasi 50 anni, ma fino a poco tempo fa era costosa da costruire e complicata da inserire in nuovi flussi di lavoro. Tutto ciò sta iniziando a cambiare con l'avvento di nuovi approcci, implementazioni più economiche e flussi di lavoro di dati lidar più flessibili. I sensori Lidar si mostrano promettenti nelle auto autonome e nei relativi sistemi perché misurano la distanza dagli oggetti a velocità incredibili e con alta precisione. Funzionano in modo molto simile al radar, utilizzando la luce anziché le onde radio: il segnale lidar viene riflesso dagli oggetti e viene quindi misurata la luce che ritorna. Il lidar tradizionale misura il tempo di volo dei segnali, ma le tecniche più recenti utilizzano altre proprietà della luce per ridurre i costi, migliorare la precisione o accelerare i tempi di reazione. Il caso aziendale per i sensori lidarIl prezzo di questi sistemi è sceso da decine di migliaia di dollari alcuni anni fa a decine di dollari per sensori prodotti in serie incorporati in tablet e smartphone come l'iPhone 12 Pro. Apple ha taciuto sulla sua fonte lidar, ma uno smontaggio del primo iPad con la tecnologia ha trovato uno scanner laser di Lumentum e un sensore di Sony combinati in un sistema lidar. Fattori di forma lidar più piccoli consentiranno alla cattura lidar ter...
Continua a Leggere

In che modo la creazione di profili 3D conferisce alla visione artificiale una dimensione aggiuntiva  L'uso della visione artificiale nelle città intelligenti consente loro di funzionare senza problemi. Allo stesso tempo, considerando come la visione artificiale sia destinata a fungere da catalizzatore per la digitalizzazione in diversi settori in futuro, è naturale aspettarsi che la tecnologia si evolva nel tempo. Di conseguenza, negli ultimi anni la computer vision ha subito diverse evoluzioni per coprire più aree di applicazione.  La profilazione 3D, una strategia di visione 3D che consente l'acquisizione di immagini tridimensionali per vari scopi, può portare ai suddetti miglioramenti nella visione artificiale. Ecco come l'inclusione della profilazione 3D migliora la visione artificiale: Maggiore precisione dimensionaleNonostante i progressi, gli strumenti di visione artificiale potrebbero sempre avere una dose aggiuntiva di chiarezza e accuratezza quando acquisiscono immagini o video che verranno successivamente utilizzati nei sistemi di riconoscimento facciale o in altri sistemi basati sull'intelligenza artificiale. La profilazione 3D utilizza la profilatura laser per il compito di creare immagini 3D. Ciò consente di acquisire immagini o video con il massimo grado di precisione, con la risoluzione della profondità spesso misurabile in micrometri (μm). Di conseguenza, i dati di input nei sistemi di visione artificiale 3D non contengono quasi alcuna variazione. Tali dati possono essere messi a frutto dall'apprendimento automatico e dagli strumenti di intelligenza artificiale. La maggiore precisione consente inoltre ai ricercatori di avere un'idea migliore della misurazione della profondità o dell'altezza. Ad esempio, è possibile rispondere a determinate domande relative all'altezza di determinati oggetti in un'immagine, nonché alle informazioni relative agli oggetti vicini. In che modo la creazione di profili 3D conferisce alla visione artificiale una dimensione...
Continua a Leggere

L'intelligenza artificiale scopre l'attività segreta rivelata dai muri vuoti What You Can Learn by Staring at a Blank Wall Una collaborazione di ricerca, che include collaboratori di NVIDIA e MIT, ha sviluppato un metodo di apprendimento automatico in grado di identificare le persone nascoste semplicemente osservando l'illuminazione indiretta su una parete vicina, anche quando le persone non si trovano vicino alle sorgenti luminose illuminanti. Il metodo ha una precisione vicina al 94% quando si tenta di identificare il numero di persone nascoste e può anche identificare l'attività specifica di una persona nascosta amplificando massicciamente i rimbalzi di luce che sono invisibili agli occhi umani e ai metodi standard di amplificazione dell'immagine. https://youtu.be/K4PapXyX-bI Il nuovo documento si intitola What You Can Learn by Staring at a Blank Wall , con contributi di NVIDIA e MIT, nonché dell'Israel Institute of Technology. I precedenti approcci per "vedere intorno alle pareti" si basavano su sorgenti luminose controllabili o su conoscenze pregresse di sorgenti note di occlusione, mentre la nuova tecnica può essere generalizzata a qualsiasi nuova stanza, senza necessità di ricalibrazione. Le due reti neurali convoluzionali che individuano le persone nascoste hanno utilizzato dati ottenuti da sole 20 scene. Il progetto è rivolto a situazioni ad alto rischio e critiche per la sicurezza, per operazioni di ricerca e soccorso, attività di sorveglianza generale delle forze dell'ordine, scenari di risposta alle emergenze, rilevamento di cadute tra anziani e come mezzo per rilevare pedoni nascosti per veicoli autonomi. Valutazione passiva Come spesso accade con i progetti di visione artificiale, il compito centrale era identificare, classificare e rendere operativi i cambiamenti di stato percepiti in un flusso di immagini. La concatenazione delle modifiche porta a modelli di firma che pos...
Continua a Leggere

 Il sistema compatto 3D ispeziona le superfici con precisione su scala micron  I ricercatori della The Optical Society hanno sviluppato un sistema ottico leggero in grado di eseguire l'ispezione 3D delle superfici con una precisione su scala micron. Secondo il team, questa tecnologia potrebbe essere utilizzata per migliorare l'ispezione del controllo di qualità per prodotti ad alta tecnologia come chip a semiconduttore, pannelli solari ed elettronica di consumo. La ricerca è stata pubblicata sulla rivista The Optical Society (OSA) Applied Optics.  Acquisizione di misurazioni 3DUna delle sfide dell'acquisizione di misurazioni 3D di precisione sulla linea di produzione è causata dalle vibrazioni, pertanto è necessario prelevare periodicamente campioni per l'analisi in laboratorio. Durante questo processo, i prodotti difettosi che vengono sviluppati devono essere scartati.  Per aggirare questo problema, il team ha deciso di sviluppare un sistema che potesse funzionare in un ambiente del genere, come un impianto di produzione industriale. Il team di ricerca è stato guidato da Georg Schitter della Technische Universität Wien in Austria e ha combinato uno specchio compatto 2D a sterzo rapido con un sensore cromatico confocale 1D ad alta precisione.  Ernst Csecsics ha co-diretto il gruppo di ricerca con Daniel Wertjanz.  "I sistemi di ispezione e misurazione in linea basati su robot come quello che abbiamo sviluppato possono consentire il controllo della qualità al 100% nella produzione industriale, sostituendo gli attuali metodi basati su campioni", ha affermato Csensics.  Il sistema di nuova concezione è progettato per essere montato su una piattaforma di tracciamento posizionata su un braccio robotico e ciò consente misurazioni 3D senza contatto di forme e superfici arbitrarie. Con un peso di 300 grammi e una dimensione di 75 X 63 X 55 millimetri cubi, il sistema è straordinariamente piccolo. "Il nostro sistema è in grado di misurare topografie di superfici 3D con una c...
Continua a Leggere

  Non è un segreto che l' IA sia ovunque, ma non è sempre chiaro quando interagiamo con essa, figuriamoci quali tecniche specifiche sono in gioco. Ma un sottoinsieme è facile da riconoscere: se l'esperienza è intelligente e coinvolge foto o video, o è visiva in qualche modo, è probabile che la visione artificiale funzioni dietro le quinte. La visione artificiale è un sottocampo dell'intelligenza artificiale, in particolare dell'apprendimento automatico. Se l'intelligenza artificiale consente alle macchine di "pensare", allora la visione artificiale è ciò che consente loro di "vedere". Più tecnicamente, consente alle macchine di riconoscere, dare un senso e rispondere a informazioni visive come foto, video e altri input visivi.  Negli ultimi anni, la visione artificiale è diventata uno dei principali motori dell'intelligenza artificiale. La tecnica è ampiamente utilizzata in settori come la produzione, l'e-commerce, l'agricoltura, l'automotive e la medicina, solo per citarne alcuni. Supporta qualsiasi cosa, dagli obiettivi Snapchat interattivi alle trasmissioni sportive, agli acquisti basati su AR, all'analisi medica e alle capacità di guida autonoma. E entro il 2022, si prevede che il mercato globale del sottocampo raggiungerà i 48,6 miliardi di dollari all'anno, rispetto ai soli 6,6 miliardi di dollari del 2015. La storia della visione artificiale segue quella dell'IA in generale. Una lenta ascesa piena di ostacoli tecnici. Un grande boom reso possibile da enormi quantità di dati. Proliferazione rapida. E poi cresce la preoccupazione per i pregiudizi e per il modo in cui viene utilizzata la tecnologia. Per comprendere la visione artificiale, è importante capire come funziona, come viene utilizzata e sia le sfide che ha superato sia quelle che deve ancora affrontare oggi. Come funziona la visione artificialeLa visione artificiale consente ai computer di svolgere una varietà di compiti. C'è la segmentazione dell'immagine (divide un'immagine in parti e le esamina indi...
Continua a Leggere

Ricercatori a Shanghai e negli Stati Uniti hanno sviluppato un sistema di generazione di ritratti basato su GAN che consente agli utenti di creare volti nuovi con un livello di controllo finora non disponibile su aspetti individuali come capelli, occhi, occhiali, trame e colore. Per dimostrare la versatilità del sistema, i creatori hanno fornito un'interfaccia in stile Photoshop in cui un utente può disegnare direttamente elementi di segmentazione semantica che verranno reinterpretati in immagini realistiche e che possono anche essere ottenuti disegnando direttamente su fotografie esistenti. Nell'esempio seguente, un'immagine dell'attore Daniel Radcliffe viene utilizzata come modello di tracciamento (e l'obiettivo non è quello di produrre una sua somiglianza, ma piuttosto un'immagine generalmente fotorealistica). Man mano che l'utente inserisce vari elementi, inclusi aspetti discreti come gli occhiali, questi vengono identificati e interpretati nell'immagine del disegno di output:  Il documento si intitola SofGAN: A Portrait Image Generator with Dynamic Styling ed è guidato da Anpei Chen e Ruiyang Liu, insieme ad altri due ricercatori della ShanghaiTech University e un altro dell'Università della California a San Diego. Caratteristiche districanteIl contributo principale del lavoro non è tanto nel fornire una UX user-friendly, ma piuttosto nel "districare" le caratteristiche delle caratteristiche facciali apprese, come la posa e la trama, che consente a SofGAN di generare anche volti che sono ad angoli indiretti rispetto al punto di vista della telecamera.  Poiché le trame sono ora separate dalla geometria, anche la forma del viso e la trama possono essere manipolate come entità separate. In effetti, ciò consente il cambio di razza di un volto di origine, una pratica scandalosa che ora ha un'applicazione potenzialmente utile, per la creazione di set di dati di apprendimento automatico bilanciati dal punto di vista razziale . https://youtu.be/xig8ZA3DVZ8   SofGAN sup...
Continua a Leggere

Uno strumento di annotazione delle immagini basato su browser per set di dati di visione artificiale  I ricercatori finlandesi hanno sviluppato uno strumento di etichettatura delle immagini basato su browser destinato a migliorare la facilità e la velocità dei noiosi processi di annotazione delle immagini per i set di dati di visione artificiale. Installato come estensione indipendente dal sistema operativo per i motori di browser più diffusi, il nuovo strumento consente agli utenti di "annotare durante la navigazione libera", piuttosto che dover inserire una sessione di etichettatura nel contesto di una configurazione dedicata o eseguire client codice laterale e altre circostanze speciali. Intitolato BRIMA (Low-Overhead BRowser-only IMage Annotation tool), il sistema è stato sviluppato presso l'Università di Jyväskylä. Elimina la necessità di raschiare e compilare set di dati in directory locali o remote e può essere configurato per ricavare dati utili dai vari parametri di dati disponibili su qualsiasi piattaforma pubblica.  In questo modo BRIMA (che sarà presentato a ICIP 2021 , quando sarà reso disponibile anche il codice ) ovvia ai potenziali ostacoli che possono sorgere quando i sistemi automatizzati di web-scraping vengono bloccati tramite range IP o altri metodi, e impedita la raccolta dei dati – uno scenario destinato a diventare più comune man mano che la protezione IP diventa sempre più importante, come ha recentemente fatto con lo strumento di generazione di codice basato sull'intelligenza artificiale di Microsoft, Copilot. Poiché BRIMA è destinato esclusivamente all'annotazione basata sull'uomo, è anche meno probabile che il suo utilizzo attivi altri tipi di blocchi stradali, come le sfide CAPTCHA o altri sistemi automatizzati destinati a bloccare gli algoritmi di raccolta dei dati. Capacità adattive di raccolta datiBRIMA è implementato tramite un componente aggiuntivo di Firefox o un'estensione di Chrome su Windows, OSX o Linux e può essere configurato...
Continua a Leggere