Scene text recognition læser tekst, der optræder i fotos og videoer af omgivelser i den virkelige verden, f.eks. vejskilte, emballage eller nummerplader. I modsætning til klassisk OCR til scannede dokumenter skal den kunne håndtere skæve perspektiver, skiftende lys, usædvanlige skrifttyper og rodede baggrunde. En typisk fremgangsmåde har to trin: først lokaliseres tekstområderne, derefter genkendes tegnene i dem.
Optical character recognition (OCR) omdanner tekst i billeder, f.eks. scanninger, fotos eller faxer, til maskinlæsbar tekst. Først derefter kan dokumenter søges, kopieres eller behandles automatisk. Moderne OCR bruger neurale netværk og kan også genkende tabeller, layouts og i nogle tilfælde håndskrift. Typiske anvendelser er fakturabehandling, digitalisering af arkiver og indlæsning af formularer; kvaliteten afhænger i høj grad af billedkvaliteten.
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.
