తోషిబా కార్పొరేషన్ 3 డి గుర్తింపుతో AI ని అభివృద్ధి చేసింది, ఇది స్టీరియో కెమెరా యొక్క ఖచ్చితత్వంతో దూరాన్ని కొలవగలదు, వాణిజ్య కెమెరాతో తీసిన చిత్రాన్ని ఉపయోగించడం ద్వారా మరియు లోతైన అభ్యాసాన్ని ఉపయోగించి కెమెరా లెన్స్ వల్ల కలిగే ఇమేజ్ బ్లర్రింగ్‌ను విశ్లేషించడం ద్వారా. ఈ సాంకేతికత స్టీరియో కెమెరాల వాడకాన్ని తొలగిస్తుంది, ఇది చివరికి ఖర్చు మరియు స్థలాన్ని తగ్గిస్తుంది. 2019 అక్టోబర్ 30 న ఉదయం 10 గంటల నుండి దక్షిణ కొరియాలో జరగనున్న కంప్యూటర్ విజన్ (ఐసిసివి -2019) అంతర్జాతీయ సమావేశంలో తోషిబా ఈ విజయాన్ని ప్రదర్శించనున్నారు.
ఇమేజ్ సెన్సింగ్ మరింత ప్రాముఖ్యత సంతరించుకుంటోంది మరియు రోబోట్లు కదిలే వస్తువులు, స్వయంప్రతిపత్త మానవరహిత వాహనాలు, మౌలిక సదుపాయాలను పరిశీలించే రిమోట్-కంట్రోల్డ్ డ్రోన్లు మొదలైన వాటికి కేవలం విషయాల చిత్రాల కంటే ఎక్కువ అవసరం, ఆకారం మరియు దూరాన్ని చేర్చడానికి 3 డి డేటాను విశ్లేషించడానికి వారికి ఒక చిన్న పరికరం అవసరం. అందువల్ల ఇమేజ్డ్ వస్తువు యొక్క ఆకారం, నేపథ్యం మరియు ఇతర దృశ్యాల డేటాను బాగా నేర్చుకోవటానికి లోతైన అభ్యాసాన్ని ఉపయోగించడం ద్వారా మోనోక్యులర్ కెమెరాలతో కొలిచే సాంకేతికతను అభివృద్ధి చేయడానికి పరిశోధనలు పెంచబడ్డాయి (అవి సూక్ష్మీకరించడం సులభం).
ఈ పద్ధతి లోపం కలిగి ఉంది; నేర్చుకున్న దృశ్యం డేటాను బట్టి మోనోక్యులర్ కెమెరా సహాయంతో దూరం యొక్క ఖచ్చితత్వం అంచనా వేయబడుతుంది, ఇది వివిధ ప్రకృతి దృశ్యాలలో తీసిన షాట్ల కారణంగా ఖచ్చితత్వానికి తగ్గుతుంది. దీనిని అధిగమించడానికి తోషిబా కలర్ ఫిల్టర్ ఎపర్చర్ ఫోటోగ్రఫీని అభివృద్ధి చేసింది, దీనిలో లెన్స్‌కు రెండు కలర్ ఫిల్టర్ జతచేయబడింది మరియు ఫలిత ఇమేజ్ బ్లర్ యొక్క రంగు మరియు పరిమాణం విషయం నుండి దూరం ప్రకారం విశ్లేషించబడతాయి. ఇది డేటా డిపెండెన్స్ సమస్యను పరిష్కరిస్తున్నప్పటికీ, ఇప్పటికే ఉన్న లెన్స్‌లను సవరించడానికి సమయం మరియు డబ్బు ఖర్చు అవుతుంది.
తోషిబా ఈ సమస్యను 3 డి రికగ్నిషన్ టెక్నాలజీతో అభివృద్ధి చేయడం ద్వారా లోతైన అభ్యాసాన్ని ఉపయోగించి లెన్స్ పై దాని స్థానానికి అనుగుణంగా చిత్రం ఎలా అస్పష్టంగా ఉందో విశ్లేషించడానికి, స్టీరియో కెమెరా సిస్టమ్ వలె అదే అధిక ఖచ్చితత్వంతో దూర కొలతను సాధించడానికి, సాధారణ మోనోక్యులర్ కెమెరాతో కానీ దృశ్యం డేటా అవసరం లేకుండా. ఇప్పటి వరకు, బ్లర్ యొక్క ఆకారం ఆధారంగా దూరాన్ని కొలవడం సిద్ధాంతపరంగా అసాధ్యమని భావించబడింది, ఇది కేంద్ర బిందువు నుండి సమానంగా ఉన్నప్పుడు దూరం మరియు దూరం రెండూ ఉన్న వస్తువులకు సమానం. కానీ, విశ్లేషణాత్మక ఫలితాలు మసక ఆకారాల దగ్గర మరియు దూర వస్తువుల మధ్య గణనీయమైన వ్యత్యాసాన్ని చూపించాయి, అవి కేంద్ర బిందువు నుండి సమానంగా ఉంటాయి. దానితో తోషిబా డీప్ న్యూరల్ నెట్‌వర్క్ మోడల్‌తో శిక్షణ పొందిన లోతైన అభ్యాస మాడ్యూల్ ద్వారా సంగ్రహించిన చిత్రాల నుండి బ్లర్ డేటాను విజయవంతంగా విశ్లేషించింది.
కాంతి లెన్స్ గుండా వెళుతున్నప్పుడు సృష్టించబడిన బ్లర్ యొక్క ఆకారం కాంతి తరంగదైర్ఘ్యం మరియు లెన్స్‌లో దాని స్థానాన్ని బట్టి మారుతుంది. అభివృద్ధి చెందిన నెట్‌వర్క్‌లో, అస్పష్టమైన ఆకారంలో మార్పులను సరిగ్గా గ్రహించడానికి స్థానం మరియు రంగు విడిగా ప్రాసెస్ చేయబడతాయి, ఆపై, బరువును దృష్టి కేంద్రీకరించిన తరువాత, దూరాన్ని సరిగ్గా కొలవడానికి ప్రకాశం ప్రవణతపై దృష్టి పెట్టడానికి నియంత్రించడానికి. నేర్చుకోవడం ద్వారా, కొలిచిన దూరం మరియు వాస్తవ దూరం మధ్య లోపాన్ని తగ్గించడానికి నెట్‌వర్క్ నవీకరించబడుతుంది. ఈ AI మాడ్యూల్ ఉపయోగించి, తోషిబా వాణిజ్యపరంగా లభించే కెమెరాతో తీసిన ఒకే చిత్రం స్టీరియో కెమెరాలతో భద్రపరచబడిన అదే దూర కొలత ఖచ్చితత్వాన్ని గ్రహించిందని ధృవీకరించింది. మరింత సమాచారం తోషిబా యొక్క ఈ అధికారిక పేజీలో చూడవచ్చు.
తోషిబా వాణిజ్యపరంగా లభించే కెమెరాలు మరియు లెన్స్‌లతో వ్యవస్థ యొక్క పాండిత్యమును ధృవీకరిస్తుంది మరియు ఇమేజ్ ప్రాసెసింగ్‌ను వేగవంతం చేస్తుంది, ఇది 2020 ఆర్థిక సంవత్సరంలో ప్రజా అమలును లక్ష్యంగా చేసుకుంటుంది.