توشیبا کارپوریشن نے 3D شناخت کے ساتھ ایک AI تیار کیا ہے جو ایک سٹیریو کیمرے کی درستگی کے ساتھ فاصلے کی پیمائش کرنے کی صلاحیت رکھتا ہے ، ایک کمرشل کیمرا کے ساتھ لی گئی شبیہہ کا استعمال کرکے اور گہری لرننگ کے ذریعہ کیمرہ لینس کی وجہ سے شبیہہ کی دھندلاپن کا تجزیہ کرکے۔ یہ ٹیکنالوجی سٹیریو کیمروں کے استعمال کو ختم کردے گی جو آخر کار قیمت اور جگہ کو کم کرتی ہے۔ توشیبا 30 اکتوبر ، 2019 کو صبح 10 بجے سے ، جنوبی کوریا میں ہونے والی کمپیوٹر وژن (آئی سی سی وی2019) سے متعلق بین الاقوامی کانفرنس میں یہ کارنامہ پیش کریں گی۔
تصویری سینسنگ زیادہ اہم ہوتی جارہی ہے اور اس طرح کی ایپلی کیشنز جیسے روبوٹ حرکت پذیر اشیاء ، خود مختار بغیر پائلٹ کی گاڑیاں ، ریموٹ کنٹرول ڈرون جن کا انفراسٹرکچر وغیرہ کا معائنہ کرتے ہیں ، مضامین کی محض تصاویر سے زیادہ کی ضرورت ہوتی ہے ، انھیں شکل اور فاصلے کو شامل کرنے کے لئے 3D ڈیٹا کا تجزیہ کرنے کے لئے ایک چھوٹے سے آلے کی ضرورت ہوتی ہے ۔ لہذا محوروں کی شکل ، پس منظر اور دیگر مناظر والے اعداد و شمار کی بہتر معلومات کے ل deep گہری سیکھنے کا استعمال کرتے ہوئے یک رنگی کیمرا (جس سے ان کا استعمال کرنا آسان ہے) کی مدد سے ایک پیمائش کرنے والی ٹکنالوجی کی تحقیق میں اضافہ کیا گیا ہے۔
اس طریقہ کار میں ایک خرابی ہے۔ فاصلے کی درستگی کا اندازہ کسی ایک کیمولر کیمرہ کی مدد سے سیکھا ہوا مناظر کے اعداد و شمار پر منحصر ہوتا ہے جس کی وجہ سے مختلف مناظر میں لگے شاٹس کی وجہ سے درستگی قطع ہوجاتی ہے۔ اس پر قابو پانے کے لئے توشیبا نے رنگین فلٹر شدہ یپرچر فوٹوگرافی تیار کی ہے جس میں دو رنگوں کے فلٹر کو عینک سے منسلک کیا گیا ہے اور اس کے نتیجے میں آنے والے امیج کلنک کے رنگ اور سائز کو موضوع سے دوری کے مطابق تجزیہ کیا گیا ہے۔ اگرچہ اس سے ڈیٹا پر انحصار کا مسئلہ حل ہوتا ہے ، اس میں موجودہ عینکوں میں ترمیم کرنے میں وقت اور رقم کی لاگت آتی ہے۔
توشیبا نے اے آئی کو 3 ڈی تسلیم کرنے والی ٹکنالوجی کے ذریعہ تیار کرکے اس مسئلے پر قابو پالیا ہے جس نے یہ تجزیہ کرنے کے لئے گہری سیکھنے کا استعمال کیا ہے کہ تصویر کو لینس پر اس کی پوزیشن کے مطابق دھندلاپن کیسے کیا جاتا ہے ، تاکہ اسٹیریو کیمرا سسٹم کی طرح فاصلے کی پیمائش اسی اعلی صحت سے متعلق ہوسکے۔، ایک عام یک رنگی کیمرہ کے ساتھ لیکن مناظر کے اعداد و شمار کی ضرورت کے بغیر۔ ابھی تک ، یہ کلنک کی شکل کی بنیاد پر فاصلے کی پیمائش کرنا نظریاتی طور پر ناممکن سمجھا جاتا تھا ، جو فاصلہ اور دور دونوں چیزوں کے لئے یکساں ہے جب وہ فوکل پوائنٹ سے مطابقت رکھتے ہیں۔ لیکن ، تجزیاتی نتائج نے دھندلاپن کے سائز کے قریب اور دور اشیاء کے درمیان خاطر خواہ فرق دکھایا ہے ، یہاں تک کہ وہ مرکزی نقطہ سے بھی متوازن ہیں۔ اس کے ساتھ ہی توشیبا نے گہری نیورل نیٹ ورک ماڈل کے ساتھ تربیت یافتہ گہری سیکھنے ماڈیول کے ذریعے گرفتاری کی گئی تصاویر سے حاصل ہونے والے کلنک ڈیٹا کا کامیابی کے ساتھ تجزیہ کیا۔
جب روشنی عینک سے گزرتی ہے تو پیدا کی جانے والی کلنک کی شکل روشنی کے طول موج اور عینک میں اس کی پوزیشن کے لحاظ سے تبدیل ہوتی ہے۔ ترقی یافتہ نیٹ ورک میں ، دھندلاپن کی شکل میں ہونے والی تبدیلیوں کو صحیح طور پر جاننے کے لئے پوزیشن اور رنگ پر الگ الگ عملدرآمد کیا جاتا ہے ، اور پھر ، وزن کی توجہ کے طریقہ کار سے گزرنے کے بعد ، فاصلے کو صحیح طریقے سے ماپنے کے ل control روشنی کے تدریج پر کہاں توجہ مرکوز کرنا ہے۔ سیکھنے کے ذریعہ ، اس پیمائش اور اصل فاصلے کے درمیان غلطی کو کم کرنے کے ل the نیٹ ورک کو اپ ڈیٹ کیا جاتا ہے۔ اس اے ماڈیول کا استعمال کرتے ہوئے ، توشیبا نے اس بات کی تصدیق کی ہے کہ ایک تصویر جو تجارتی طور پر دستیاب کیمرے کے ساتھ لی گئی ہے ، اسٹیریو کیمروں سے حاصل کردہ فاصلے کی پیمائش کی اتنی ہی درستگی کا احساس کرتی ہے۔ مزید معلومات توشیبا کے اس سرکاری صفحے پر مل سکتی ہیں۔
توشیبا تجارتی طور پر دستیاب کیمروں اور لینسوں کے ذریعہ نظام کی استعداد کی تصدیق کرے گی اور امیج پروسیسنگ کو تیز کرے گی ، جس کا مقصد مالی سال 2020 میں عوام پر عمل درآمد کرنا ہے۔