Pose estimation er en computer vision-teknik, der bestemmer menneskers kropsholdning, eller objekters position og orientering, i billeder eller video. Typisk registrerer en model nøglepunkter som skuldre, albuer og knæ og forbinder dem til et skelet. Teknikken bruges f.eks. i fitness-apps, der kontrollerer øvelser, i analyse af ergonomi på arbejdspladsen, i sportsanalyse og i robotteknologi.
Computer vision er et område inden for AI, hvor computere fortolker billeder og video. Typiske opgaver er at genkende og lokalisere objekter, læse tekst i billeder og måle komponenter. Teknologien bruges for eksempel til kvalitetskontrol i produktionen, i førerassistentsystemer, i logistik og i medicinsk billeddiagnostik.
Billedgenkendelse er et område inden for computer vision, hvor software identificerer, hvad et billede viser – objekter, personer, tekst, logoer eller scener. Det bygger som regel på neurale netværk, der er trænet på et stort antal mærkede billeder. Anvendelserne spænder fra kvalitetskontrol i produktionen og sortering af produktfotos til understøttelse af medicinsk billeddiagnostik. Ved billeder af personer kræver databeskyttelse og mulig bias særlig opmærksomhed.
Dybdeestimering bestemmer ud fra billeder, hvor langt objekter eller enkelte pixels er fra kameraet. Det kan ske med to kameraer (stereo), med dybdesensorer eller, ved hjælp af neurale netværk, endda ud fra et enkelt foto (monokulær dybdeestimering). Det er nødvendigt inden for robotteknologi, førerassistance, augmented reality og 3D-modeller af rum.
Et konvolutionelt neuralt netværk (CNN) er en arkitektur for neurale netværk, der er særlig velegnet til billeddata. Det gennemsøger inputtet med små filtre og genkender simple træk som kanter i de første lag og mere komplekse former i de dybere lag. CNN'er prægede billedgenkendelsen i mange år og bruges for eksempel til at finde fejl på produktfotos eller i medicinsk billedanalyse.
