Post #79

FEATURE DESCRIPTION: Kompyuter ko‘radigan “belgilar tili” 👁📌 Kompyuterlar tasvirni, raqmlar, matritsalar shaklda "ko'rishini" oldingi postlarda gaplashgan edik. Tasvir va undagi obektlarni tanib olish uchun unga ishonchli "ishoralar" kerak. Ana shu ishoralar: features (xususiyatlar, atributlar) deyilad. Model avval feature’larni o‘rganadi, keyin yangi rasmlarda ham shu belgilar orqali tanib oladi. 1) Feature’larni data structure’larda qanday saqlaymiz? Feature’lar turlicha: son, kategoriya, rasm, matn va hokazo. Ularni to‘g‘ri ko‘rinishda saqlash keyingi ishlov (processing) uchun juda muhim. Numerical features (sonli feature’lar): • Array/List: eng sodda ko‘rinish. Har bir element alohida feature. • Tensor: ko‘p o‘lchovli massiv. Katta data bilan ML framework’larda juda ko‘p ishlatiladi. Categorical features (kategoriya feature’lar): • Dictionary/List: kategoriyani label qilib saqlash (yoki bevosita qiymat sifatida). • One-hot encoding: kategoriya uchun binary vektor, har bir bit alohida kategoriyani bildiradi. Image features (tasvir feature’lar): • Pixel values: rasmni matritsa yoki multi-dimensional array sifatida saqlash. • CNN features: pre-trained CNN orqali “tayyor” feature’larni ajratib olish. 2) Yaxshi descriptor nimasi bilan “yaxshi”? Descriptor: Tasvir ichidagi obyekt yoki sahnaning muhim axborotini siqilgan, ammo mazmunli ko‘rinishda ifodalovchi feature to‘plami. Yaxshi descriptor quyidagilarga ega bo‘ladi: • Transformatsiyalarga moslashuvchan: rotation, translation, scaling, illumination o‘zgarsa ham “xulqini” yo‘qotmaydi. • Distinctiveness: obyektni boshqasidan ajratib bera oladi. • Dimensionality: juda katta bo‘lmasdan, yetarli axborotni saqlaydi. • Locality: lokal nuqtalar yoki kichik regionlarni yaxshi tasvirlaydi. • Repeatability: shovqin yoki kichik farqlarda ham barqaror chiqadi. • Matching algoritmlariga mos: masofa metric’lari yoki ML asosidagi matching bilan yaxshi ishlaydi. • Computational efficiency: tez hisoblanadi, real-time uchun muhim. • Adaptability: data o‘zgarishlariga moslasha oladi. 3) Feature descriptor’lar: SIFT va SURF Quyida 2ta klassik Descriptor lar bilan tanishamiz • SIFT: aniqlik va robustlik tarafdori • SURF: tezlik va samaradorlik tarafdori Ikkalasi ham tasvirdan keypoint topadi va ularni taqqoslash uchun descriptor yaratadi. 🔹 SIFT (Scale-Invariant Feature Transform) SIFT tasvirda turli scale’larda barqaror keypoint’larni topib, har biri uchun descriptor beradi. Qanday ishlashi to'liqroq tushuntirilgan manbalar: manba1, manba2. 🔸 SURF (Speeded Up Robust Features) SURF ham lokal feature topadi, lekin tezlik uchun optimizatsiya qilingan. Uning asosiy “quroli”: integral image va Haar wavelet’lar. Qanday ishlashi to'liqroq tushuntirilgan manbalar: manba1, manba2 Qo‘llanishlari: object recognition, image stitching, 3D reconstruction. ✅ Yakuniy takeaway Feature descriptor: modelning “ko‘rish lug‘ati”. Lug‘at qanchalik aniq va barqaror bo‘lsa, tanib olish va matching shunchalik ishonchli bo‘ladi. #fundamentals#computer_vision