tag OtonomAraçlar
Depth Estimation (Derinlik Tahmini)
Bu sayfada OtonomAraçlar (Depth Estimation (Derinlik Tahmini)) etiketi ile işaretlenmiş 2 yapay zeka kavramını bulabilirsiniz.
Depth estimation (derinlik tahmini), bir yapay zeka modelinin tek veya çift kameralı iki boyutlu görüntülerden sahnedeki her noktanın kameraya olan uzaklığını otomatik olarak tahmin etmesidir. Çıktı olarak her pikselin mesafeye karşılık geldiği bir derinlik haritası (depth map) üretilir: yakın nesneler açık tonlarla, uzak nesneler koyu tonlarla temsil edilir. İnsan görme sistemi iki göz arasındaki parallax farkından derinlik algılar; ancak tek kameralı dijital görüntüler bu bilgiyi doğrudan içermez. Modeller gölge, perspektif, boyut ve odak bulanıklığı gibi görsel ipuçlarını öğrenerek ve büyük ölçekli derinlik veri setleri üzerinde eğitilerek bu eksikliği kapatır. Derinlik tahmini üç ana yaklaşımla gerçekleştirilir. Monoküler yöntemler tek bir RGB görüntüsünden derinlik çıkarır; denetimli eğitim için LiDAR etiketi, öz denetimli eğitim için video çerçeve çiftleri kullanılır ve en esnek yaklaşımdır. Stereo yöntemler iki paralel kameradan alınan görüntü çiftleri arasındaki piksel kaymasını (disparity) üçgenleme ile derinliğe dönüştürür; fabrika otomasyonu ve endüstriyel robotik için tercih edilir. LiDAR füzyon ise kamera görüntüsünü aktif sensör verisiyle birleştirerek en yüksek kesinliği sunar; ancak sensör maliyeti yüksektir. MiDaS ve Depth Anything v2 gibi transformer tabanlı modeller büyük ölçekli ve çok kaynaklı verilerle eğitilerek geniş ortam koşullarına genellenebilir hale gelmiştir. Apple Depth Pro tek görüntüden mutlak metrik derinlik değerleri üretebilmektedir. Otonom araçlar, artırılmış gerçeklik, robotik navigasyon ve üç boyutlu sahne yeniden yapılandırma başlıca uygulama alanlarıdır. Doğruluk için AbsRel, RMSE ve delta eşik doğruluğu (δ < 1.25) kullanılır. Gerçek zamanlı uygulamalarda NVIDIA Jetson ve Apple Neural Engine gibi özel donanım hızlandırıcılar tercih edilir. Derinlik haritaları ayrıca 3B nokta bulutu oluşturmak ve sanal nesneleri gerçek ortama yerleştirmek için de kullanılmaktadır.
Depth Estimation (Derinlik Tahmini)
Depth estimation (derinlik tahmini), bir yapay zeka modelinin tek veya çift kameralı iki boyutlu görüntülerden sahnedeki her noktanın kameraya olan uzaklığını otomatik olarak tahmin etmesidir. Çıktı olarak her pikselin mesafeye karşılık geldiği bir derinlik haritası (depth map) üretilir: yakın nesneler açık tonlarla, uzak nesneler koyu tonlarla temsil edilir. İnsan görme sistemi iki göz arasındaki parallax farkından derinlik algılar; ancak tek kameralı dijital görüntüler bu bilgiyi doğrudan içermez. Modeller gölge, perspektif, boyut ve odak bulanıklığı gibi görsel ipuçlarını öğrenerek ve büyük ölçekli derinlik veri setleri üzerinde eğitilerek bu eksikliği kapatır. Derinlik tahmini üç ana yaklaşımla gerçekleştirilir. Monoküler yöntemler tek bir RGB görüntüsünden derinlik çıkarır; denetimli eğitim için LiDAR etiketi, öz denetimli eğitim için video çerçeve çiftleri kullanılır ve en esnek yaklaşımdır. Stereo yöntemler iki paralel kameradan alınan görüntü çiftleri arasındaki piksel kaymasını (disparity) üçgenleme ile derinliğe dönüştürür; fabrika otomasyonu ve endüstriyel robotik için tercih edilir. LiDAR füzyon ise kamera görüntüsünü aktif sensör verisiyle birleştirerek en yüksek kesinliği sunar; ancak sensör maliyeti yüksektir. MiDaS ve Depth Anything v2 gibi transformer tabanlı modeller büyük ölçekli ve çok kaynaklı verilerle eğitilerek geniş ortam koşullarına genellenebilir hale gelmiştir. Apple Depth Pro tek görüntüden mutlak metrik derinlik değerleri üretebilmektedir. Otonom araçlar, artırılmış gerçeklik, robotik navigasyon ve üç boyutlu sahne yeniden yapılandırma başlıca uygulama alanlarıdır. Doğruluk için AbsRel, RMSE ve delta eşik doğruluğu (δ < 1.25) kullanılır. Gerçek zamanlı uygulamalarda NVIDIA Jetson ve Apple Neural Engine gibi özel donanım hızlandırıcılar tercih edilir. Derinlik haritaları ayrıca 3B nokta bulutu oluşturmak ve sanal nesneleri gerçek ortama yerleştirmek için de kullanılmaktadır.
Moral Machine: MIT'in Otonom Araç Etiği Deneyi (Ahlak Makinesi)
Moral Machine (Ahlak Makinesi), MIT Media Lab tarafından 2016'da başlatılan çevrimiçi bir deney platformudur. Platform, otonom araçların kaçınılmaz kaza senaryolarında nasıl ahlaki kararlar alması gerektiğini araştırmak için kitlesel (crowdsourced) insan yargıları toplar. Her senaryo, frenlerin tutmadığı bir araçın iki gruptan birini seçmek zorunda kaldığı "trolley problemi" türevi bir ikilem sunar: beş yaya ile araçtaki üç yolcu arasında seçim yapmak ya da genç-yaşlı, erkek-kadın, insan-hayvan karşıtlıklarını içeren alternatif kombinasyonlar gibi. Deney 2016'dan 2018'e kadar 233 ülke ve bölgeden 2,3 milyondan fazla kullanıcının 40 milyonu aşkın kararını derledi. 2018'de Nature dergisinde yayımlanan Awad ve arkadaşlarının çalışması beş küresel tercih örüntüsünü tanımladı: daha fazla kişiyi kurtarma eğilimi (maksimum sayı korunması), insanlara hayvanlara kıyasla öncelik verme, çocukları yaşlılara tercih etme, yayaları araç yolcularının önünde tutma ve trafik kurallarına uyan bireyleri ihlal edenlerin önünde konumlandırma. Kültürel kümeleme analizi, üç farklı bölgesel blok ortaya koydu. Batılı (özellikle Kuzey Amerika ve Avrupa) kümesi güçlü bireycilik, genç ve sosyal statüsü yüksek bireyleri koruma eğilimi sergiledi. Doğu Asya kümesi (Japonya, Çin, Kore) kolektif değerlere ve yaşlı bireylere saygıyı ön plana çıkardı. Güney kümesi (Orta Doğu, Akdeniz, Latin Amerika) ise kural ihlali yapan bireylere karşı belirgin bir düşük tolerans gösterdi. Türkiye'nin de dahil olduğu bu küme kendine özgü ahlaki örüntüler sergiledi. Çalışma önemli eleştiriler de aldı. Örneklem yanlılığı: platforma erişen kullanıcılar ağırlıklı olarak internet erişimi olan, eğitimli ve Batı ülkelerinden kişilerdir; bu durum temsil gücünü sınırlar. Yansıtma önyargısı: insanların anket ortamında verdikleri kararlar gerçek bir kaza durumundaki refleksten farklı olabilir. En temel itiraz ise otonom araçların bireysel ahlaki tercih yapmaması gerektiği yönündedir: NHTSA, ISO 26262 ve Avrupa Komisyonu, araçlarda algoritmanın kazanın olasılığını minimize etmesi gerektiğini ve kimin kurban edileceğine karar vermemesi gerektiğini savunur. Türkiye'de otonom araç regülasyonları gelişmeye devam ederken Moral Machine bulguları yapay zeka etiği derslerinde vaka çalışması olarak kullanılmaktadır.