УДК 67.017(679.7)
В. А. Попова
Санкт-Петербургский государственный университет промышленных технологий и дизайна
191186, Санкт-Петербург, Большая Морская, 18
СИСТЕМЫ КОМПЬЮТЕРНОГО ЗРЕНИЯ И ЕГО ПРИМЕНЕНИЕ В СОВРЕМЕННЫХ
ТЕХНОЛОГИЯХ
© В. А. Попова, 2020
В статье представлен обзор компьютерного зрения. Во-первых, раскрыто понятие компьютерного зрения
и показано небольшое сравнение с человеческим зрением. Затем описаны технологии, использующиеся в
компьютерном зрении и составляющие его ценность. Наконец, рассмотрены области применения
компьютерного зрения. В частности, приведены некоторые примеры приложений и компаний, которые
считаются очень успешными в этой области.
Ключевые слова: компьютерное зрение, искусственный интеллект, человеческое зрение, глубокое обучение.
V. A. Popova
Saint Petersburg State University of Industrial Technologies and Design
191186, St. Petersburg, Bolshaya Morskaya, 18
SYSTEMS OF COMPUTER VISION AND ITS USE IN MODERN TECHNOLOGIES
The article given an overview of computer vision. At first, it is formulated concept of computer vision and showed a
compare with human vision. The technologies used in computer vision and its value are then described. Finally, the
fields of application of computer vision are considered. In particular, some examples are given of applications and
companies considered very successful in this area.
Keywords: computer vision, artificial intelligence, human vision, deep learning.
Превосходство машины над человеком во многих областях является доказанным фактом. Машина,
как и человек, умеет самостоятельно передвигаться, совершать мыслительные процессы, учиться и обучаться,
а также совершать другие невероятные действия. Сегодня большое внимание уделяется современной
компьютерной технологии – компьютерному зрению. Эта функция становится все более и более популярной.
Начиная с конца 1950-х – начала 1960-х годов, целью компьютерного зрения была имитация человеческого
зрения и выяснение, что же видят компьютеры. Пока не была взята инициатива по цифровой обработке
изображений, их анализ проводился вручную, будь то рентгеновский снимок или кадр, полученный путем
космической фотосъемки. Компьютер справляется с данными задачами на порядок быстрей и эффективней
человека, что является несомненным плюсом.
На протяжении нескольких десятилетий проблема компьютерного зрения занимает умы инженеров,
исследователей и в целом сообщество, связанное с современным высокотехнологичным производством.
Компьютерное зрение уже широко применяется во многих разработках, приложениях и в некоторой технике,
а потенциал охвата применения данной технологии действительно внушителен. Есть большой шанс, что
именно компьютерное зрение в композиции с глубоким обучением позволят создать несравнимый по
мощности искусственный интеллект, который может поменять нашу привычную жизнь. На основе уже
существующих наработок можно понять, куда движется и к чему приведет развитие этой технологии.
Несмотря на многие достижения, технология компьютерного зрения в настоящее время продолжает
активно исследоваться и разрабатываться, что постоянно приводит к открытию новых способов ее
применения для решения повседневных задач. Поэтому не случайно многие современные приложения и
алгоритмы реализуются с расчётом на использование в персональных компьютерах или гаджетах.
При этом становится ясно, что от удачного решения ряда сложных и неоднозначных задач
компьютерного зрения зависит автоматизация множества процессов и процедур, которые до этого
выполнялись и контролировались только человеком.
Компьютерное зрение – это область искусственного интеллекта, которая позволяет машинам
получать значимую информацию из цифровых изображений, видео и других визуальных объектов – и
выполнять действия или давать рекомендации на основе этой информации. Если искусственный интеллект
позволяет компьютерам мыслить, компьютерное зрение позволяет им видеть, наблюдать и понимать [1].
Изучение компьютерного зрения преследует две цели. С точки зрения биологической науки,
компьютерное зрение может помочь в создании вычислительных моделей визуальной системы человека. С
инженерной точки зрения, компьютерное зрение направлено на создание автоматизированных систем,
которые могли бы выполнять некоторые задачи, какие выполняет визуальная система человека, и даже
превосходить ее во многих случаях, например, если задача связана с извлечением трёхмерной и временной
информации из динамически изменяющихся двумерных данных, полученных одной или несколькими
телевизионными камерами, и, в более общем плане, с пониманием таких динамических сцен. Конечно, эти
две цели тесно связаны между собой. Свойства и характеристики визуальной системы человека часто
вдохновляют инженеров, которые разрабатывают системы компьютерного зрения. И наоборот, алгоритмы
компьютерного зрения могут дать представления о том, как работает визуальная система человека.
В общем, компьютерное зрение работает почти так же, как человеческое зрение, за исключением того,
что у людей есть преимущество в «бытовом» контексте. Человеку просто отличать объекты, определять, как
далеко они находятся, движутся ли они и многое другое. Компьютерное зрение обучает машины выполнению
этих функций, и, в целом, использование камер, данных и алгоритмов, а не сетчатки, зрительных нервов и
зрительной коры, должно позволить выполнять эти действия намного быстрее.
Обе системы преследуют одни и те же цели: преобразовать свет в полезные сигналы для построения
точных моделей физического мира. Аналогичным образом, при высокоуровневом рассмотрении, структуры
человеческого и компьютерного зрения несколько схожи: обе имеют световые датчики, которые преобразуют
фотоны в сигнал, механизм передачи сигнала и «устройство понимания», где интерпретируется сигнал.
Возникает много различий при отслеживании пути обработки светового сигнала с помощью технологии
компьютерного зрения и системы человеческого зрения.
Одно из ключевых отличий заключается в том, как технология человеческого и компьютерного
зрения передает сигнал. У людей это происходит через цепочку химических явлений с участием ионов натрия
и калия. В компьютерном зрении сигнал передается через электрические импульсы. Это различие делает
передачу сигналов в компьютерном зрении намного быстрее, чем в человеческом зрении. Но когда дело
доходит до обработки сигнала, можно заметить одно важное сходство: как в технологии человеческого, так и
в технологии компьютерного зрения, сигнал воспринимается путём сравнения с набором связей. Затем
системы человеческого и компьютерного зрения оценивают, достаточно ли они похожи, чтобы быть другим
примером того же самого набора [2].
Второе ключевое различие состоит в том, где происходит интерпретация. В компьютерном зрении
датчики, улавливающие свет, не делают никакой интерпретации. В человеческом зрении первые стадии
интерпретации происходят на сетчатке – определение цвета и границ происходит через ганглиозные клетки
сетчатки [2].
Еще одно незначительное различие: зрение человека глубоко привязано к мозгу, что не соответствует
действительности в технологии компьютерного зрения. Эксперименты показывают, что люди, которые слепы
с медицинской точки зрения, могут перемещаться вокруг объектов, не видя их. Это явление известно, как
слепое зрение. Мозг «слепозрячих» людей оценивает зрительную информацию по обходному пути. В то
время, машины на такое не способны. Их единственный источник визуальной информации для преодоления
препятствий это «глаза», то есть компьютерное зрение. Но в этом можно заметить и сходство с человеческим
мозгом. Люди с таким диагнозом, помимо сохранения некоторых зрительных функций, также могут
переопределить неиспользуемые части мозга для других задач. Это говорит о том, что в мозгу существует
общий механизм обучения. Аналогичным образом, системы глубокого обучения, используемые во многих
технологиях компьютерного зрения, часто могут быть повторно использованы для других задач
распознавания, таких как распознавание речи без существенных изменений в алгоритме.
Также существует различие в относительном поле зрения. Поле зрения человека составляет 220
градусов, то есть все, что перед ним, и немного больше, а системы компьютерного зрения могут иметь поле
обзора 360 градусов, то есть у них может не быть «спереди» и «сзади». И есть еще особенности, связанные с
областью зрения. Технология компьютерного зрения в основном единообразна во всех частях области зрения,
тогда как то, что видит человек лучше всего, варьируется в зависимости от области зрения. Люди, как правило,
лучше видят цвет в центре поля зрения, и наоборот, могут лучше различить объекты с низким освещением на
периферии. Кроме того, периферия в отличие от центра человеческого поля зрения в большей степени
ориентирована на восприятие движения.
Отличием также является то, что в визуальной системе человека есть два типа световых датчиков, в
то время как датчики компьютерного зрения не имеют такой специализации. Сенсорные клетки на сетчатке
человека разделяются на палочки и колбочки. Палочки более многочисленны (они соотносятся по величине с
колбочками как 20:1) и более чувствительны к общему уровню света, то есть именно они используются, чтобы
видеть в низких условиях света. Они также более сконцентрированы за пределами центра поля зрения, что
позволяет видеть в темноте, но с меньшим разрешением. Колбочки могут различать цвета и обеспечивают
более высокое разрешение, но они не работают в темноте и чаще располагаются в центре. Поэтому мы не
можем различать цвета в темноте [3].
Таким образом, сравнивая человеческое и компьютерное зрение, можно выделить ряд общих черт с
точки зрения структуры и назначения, а также множество различий, начиная от поля зрения и типов датчиков
и заканчивая способом передачи сигнала. Но компьютерное зрение активно развивается, поэтому все больше
и больше отличается от человеческого зрения.
Использование глубокого обучения искусственных нейронных сетей в компьютерном зрении
выводит технологию на качественно новый уровень. Сегодня глубокое изучение стало ключевым для многих
повседневных приложений, таких как системы рекомендаций по контенту, приложения машинного
перевода, цифровые помощники и чат-боты. Глубокое обучение также помогло достичь прогресса во
многих специальных областях, таких как здравоохранение, образование и беспилотные автомобили.
Благодаря достижениям в этой области и разработке инновационных алгоритмов, за последние годы
удалось сделать огромный скачок и превзойти людей в некоторых задачах, связанных с обнаружением и
идентификацией объектов.
Термин «глубокое обучение» был придуман еще в 80-х годах, когда нейронные сети впервые
начали работать с двумя или тремя слоями нейронов. В отличие от ранних и более простых решений,
глубокое обучение перегруппировывает более глубокие нейронные сети, то есть сети с несколькими
скрытыми слоями, и дополнительные слои устанавливаются между их входным и выходным слоями.
Выходной уровень предоставляет таблицу числовых значений, представляющих вероятность того, что
конкретный объект был обнаружен на изображении. Верхние уровни сетей обнаруживают более общие черты.
Каждый уровень обрабатывает свои входные данные и передает результаты на следующий уровень, все они
обучены извлекать все более абстрактную информацию. Например, первый слой нейронной сети научился
реагировать на основные характеристики изображений, такие как границы, линии или цветовые градиенты;
следующий уровень научился использовать эти подсказки для извлечения более продвинутых функций; и
так до последнего уровня, который выводит желаемый результат. То есть глубокое обучение - это
разновидность машинного обучения, где искусственные нейронные сети и алгоритмы, вдохновленные
человеческим мозгом, учатся на больших объемах данных [1].
Глубокое обучение использует алгоритмические модели, которые позволяют компьютеру обучать
себя контексту визуальных данных. Если через модель подается достаточное количество данных, компьютер
«смотрит» на данные и учит себя отличать одно изображение от другого. Алгоритмы позволяют машине
учиться анализу самостоятельно, а не распознавать изображения по заранее жестко запрограммированному
методу. Основанные на глубоком обучении алгоритмы компьютерного зрения, использующие искусственные
нейронные сети и, в частности, сверточные нейронные сети, начали давать многообещающие результаты с
превосходной точностью, порой превосходящие возможности человеческого зрения в некоторых задачах.
Искусственные нейронные сети в целом интерпретируют данные посредством машинного восприятия,
маркировки или кластеризации необработанного ввода. Образцы, которые они распознают, являются
числовыми данными, в которые должны быть переведены все данные реального мира, будь то изображения,
звук, текст или временные ряды. Нейронные сети сильны в задачах кластеризации и классификации данных,
то есть с их помощью можно автоматически группировать неразмеченные данные в соответствии с общими
чертами и классифицировать их при условии наличия маркированного набора данных для обучения [4].
Сверточная нейронная сеть позволяет «смотреть» путём разбивания изображения на пиксели,
которым присваиваются теги или ярлыки. Она использует эти метки для выполнения сверток (математическая
операция над двумя функциями для создания третьей функции) и делает прогнозы относительно того, что
«видит» [4]. Нейронная сеть запускает свертку и проверяет точность своих предсказаний в серии итераций,
пока предсказания не начинают сбываться. Затем она распознает образы, как это делают люди. Как и человек,
пытающийся понять, что показано на изображении, расположенном на расстоянии, нейронная сеть сначала
различает четкие края и простые формы, а затем вычленяет информацию, выполняя итерации своих
предсказаний [5]. Сверточная нейронная сеть применяется для понимания отдельных изображений, тогда как
рекуррентная нейронная сеть используется аналогичным образом для видео-приложений, чтобы помочь
понять компьютерам, как изображения в серии кадров связаны друг с другом.
Ценность компьютерного зрения зависит от того, какие проблемы оно может решить. Это технология,
которая позволяет не только взаимодействовать с людьми и окружающим миром, но и помогает им ускорять
развитие различных сфер жизни.
Развитие компьютерного зрения в медицине повышает скорость и точность в постановке диагнозов и
оказания помощи медицинским работникам в критических случаях. Алгоритмы компьютерного зрения,
разработанные с использованием большого массива данных, помогают обнаружить малейшие ошибки,
указывающие на состояние пациента, которые могли быть допущены лечащими врачами. Такая точная
диагностика, обеспечиваемая системами компьютерного зрения, сводит к минимуму число неверно
поставленных диагнозов и потенциально может устранить необходимость в ненужных хирургических
вмешательствах и дорогостоящих методах лечения. Алгоритмы глубокого обучения демонстрируют
впечатляющую точность при анализе медицинских изображений, так компьютерное зрение позволяет
сократить время, затрачиваемое врачами на анализ снимков, рентгеновских лучей, МРТ, КТ и маммографии
(около 90% всех медицинских данных основаны на изображениях). Благодаря хорошо отлаженной системе
компьютерного зрения, используемой для изучения рентгеновских снимков и МРТ, можно обеспечить раннее
выявление заболеваний с высокой достоверностью, так как большинство смертельных заболеваний, таких как
рак, можно вылечить с большой вероятностью успеха, только если они диагностированы на ранних стадиях.
Также эта технология используется для выявления закономерностей, которые могут указать на возможность
возникновения заболевания, и анализа параметров состояния здоровья и физической формы человека, что
помогает специалистам быстрее и лучше принимать медицинские решения [7].
Автомобили с автономным управлением также в значительной степени полагаются на компьютерное
зрение. Учитывая, что беспилотные автомобили находятся на ранней стадии разработки, потребуется
достаточно много времени, чтобы увидеть появление этих транспортных средств на городских дорогах с
интенсивным движением. Это потому, что даже малейшие недостатки на этапах проектирования и разработки
могут оказаться фатальными. Тем не менее, благодаря компьютерному зрению вероятность дорожных
инцидентов значительно снижается. Оно помогает беспилотным автомобилям следующим образом:
компьютерное зрение является основой визуального сбора данных в реальном времени. Камеры,
установленные на транспортных средствах, могут записывать живые кадры и создавать 3D-карты. С помощью
этих карт беспилотные автомобили могут лучше понимать дорожную обстановку, обнаруживая препятствия
на маршруте, и, следовательно, искать альтернативные пути. Используя камеры и лидары для измерения
расстояний, собранные данные объединяются с 3D-картами для определения местоположения таких
объектов, как транспортные средства, светофоры и пешеходы. В результате беспилотные автомобили могут
мгновенно обрабатывать эти данные и реагировать в режиме реального времени, чтобы избежать
столкновений. Как можно понять, беспилотные автомобили без компьютерного зрения не могли бы
существовать [8]. Одни из самых успешных в этой области компаний Tesla, Waymo и Uber. Они активно
занимаются разработкой беспилотных автомобилей и отличаются инновационными подходами. Однако еще
ни одна компания не может гарантировать полную безопасность.
Компьютерное зрение также играет важную роль в приложениях по распознаванию лиц. Биометрия
– это технология, которая позволяет идентифицировать человека по его уникальным характеристикам.
Алгоритмы компьютерного зрения обнаруживают признаки лица на изображениях и сравнивают их с базами
данных профилей лица. Наиболее распространенным примером компьютерного зрения в распознавании лиц
является защита смартфонов, которая осуществляет проверку личности своего владельца, так же это может
быть осуществление платежей. Приложения в социальных сетях используют распознавание лиц для
обнаружения и маркировки пользователей. Правоохранительные органы в свою очередь используют
технологию распознавания лиц для выявления преступников, то есть использование компьютерного зрения
может помочь ускорить их задержание и предотвратить преступления. Одна из самых успешных компаний в
области техники, Apple, представила возможность биометрической аутентификации в мобильных
устройствах в ряду первых. Они предоставили функцию FaceID – это система аутентификации, которая
использует нейронную сеть на устройстве. Во время настройки FaceID тренирует свою модель
искусственного интеллекта на лице владельца и достаточно точно работает при различных условиях
освещения, волос на лице, прическах, шляпах и очках. Другие производители, такие как Samsung и Qualcomm,
делают аналогичные шаги [9]. В Китае многие магазины в настоящее время используют технологию
распознавания лиц, чтобы обеспечить более легкую оплату покупателям. Вместо того, чтобы использовать
кредитные карты или мобильные платежные приложения, клиентам нужно только показать свое лицо камере,
оборудованной компьютерным зрением [10].
Библиотеки фотографий используют компьютерное зрение для обнаружения объектов и
автоматически классифицируют изображения по типу содержимого. Так же компьютерное зрение помогает
аннотировать содержание видео и позволяет пользователям сокращать время на поиск, вводя в поисковую
строку то, что они ищут, вместо того, чтобы вручную просматривать целые видео [6]. Существует мало
компаний, которые могли бы соответствовать обширному хранилищу пользовательских данных Google. Эта
компания использует свой постоянно растущий репозиторий пользовательских данных для разработки все
более и более продвинутого искусственного интеллекта. При запросе любого объекта, Google выдаст все
изображения из вашей библиотеки, которые содержат этот объект. Однако их технология не является
совершенной. Так алгоритм ошибочно определил изображение двух темнокожих людей как запрос «горилла»,
что вызвало непонимание в сети [11].
Компьютерное зрение также играет важную роль в дополненной и смешанной реальностях. Это
технология, которая позволяет вычислительным устройствам, таким как смартфоны, планшеты и умные очки,
накладывать и внедрять виртуальные объекты в изображения реального мира. Используя компьютерное
зрение, аппаратные средства обнаруживают объекты в реальном мире, чтобы определить их расположение на
дисплее устройства для размещения на них виртуального объекта. Например, алгоритмы компьютерного
зрения могут помочь приложениям обнаруживать такие плоскости, как стены и полы, что очень важно для
определения глубины и размеров и размещения виртуальных объектов в физическом мире [6]. Одним из
первых было приложение Snapchat, которое стало использовать фильтры, так называемые маски, которые
может примерить на себя любой человек. Система определяет, где находится ваше лицо или поверхность и
использует выбранный фильтр. Затем такую технологию начала использовать популярная социальная сеть
Instagram. Также компания IKEA представила свое приложение, которое позволяет «примерить» мебель у
себя дома. Выбранный стул или тумба будут точно вписаны в масштабы помещения.
Компьютерное зрение помогает решать многие задачи, которые ранее считались недоступными для
компьютеров. Но его достижения привели к неправильным толкованиям и завышенным ожиданиям его
возможностей. Будучи очень интересной технологией, алгоритмы глубокого обучения также имеют
определенные ограничения. По своей сути они обеспечивают работу приложений с использованием
компьютерного зрения, но они в общем смысле не понимают, что происходит на изображениях. Люди могут
использовать свои обширные знания о мире, чтобы заполнить белые пятна в осознании ситуации, с которой
они не сталкивались прежде, что машинам недоступно. Чтобы обучить машину значительной точности,
особенно когда речь идёт о глубоком обучении, обычно для этого нужны десятки тысяч изображений, и чем
больше, тем лучше. Глубокое обучение требует много данных и это создает ограничение в областях, где эти
данные недоступны. Единственное решение этой проблемы – обучать алгоритмы на все большем количестве
примеров, чтобы охватить ситуации, с которыми они могут столкнуться. Искусственные нейронные сети
могут выполнять сложные задачи наравне или даже лучше, чем люди, но нужно помнить, что человеческий
интеллект отличается тем, что может принимать решения в абстрактных ситуациях.
Таким образом, несмотря на прогресс, который абсолютно точно впечатляет и удивляет, все еще
нельзя назвать компьютерное зрение идеальной технологией. Тем не менее существуют компании и
предприятия, которые нашли способы применения систем компьютерного зрения, основанных на нейронных
сетях, для решения реальных проблем, что активно используется специалистами и обычными пользователями.
С дальнейшими исследованиями и совершенствованием технологии, у компьютерного зрения
большое будущее, в котором оно будет выполнять более широкий спектр функций. Технологии
компьютерного зрения будут не только легче обучаться, но и смогут лучше распознавать изображения, чем
сейчас. Также оно может быть использовано в сочетании с другими технологиями искусственного интеллекта
или другими областями науки для создания более мощных приложений и алгоритмов. Но для дальнейшего
развития важно, чтобы за всеми технологиями стояло понимание как возможностей и преимуществ, так и
ограничений, что позволит вывести технологии компьютерного зрения и глубокого обучения на позиции
одних из самых влиятельных разработок нашего времени.
Список литературы
1. Richard Szeliski. Computer Vision: Algorithms and Applications. Книга, 2010. 957с.
2. N. V. Kartheek Medathati, Heiko Neumann, Guillaume S. Masson, Pierre Kornprobst. Bio-inspired computer
vision: Towards a synergistic approach of artificial and biological vision // Computer vision and Image Undersandung.
2016. С. 1 - 30
3. Артамонов А. С. Анализ изображений и видео, часть 1. Лекция №1. Курс «Анализ изображений и видео,
часть 1». 2019. URL: https://my.compscicenter.ru/courses/images-and-video-1/2019-autumn/classes/4810/ (дата
обращения: 31.03.2020)
4. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с анг. А. А. Слинкина, М. Книга, 2018.
652 с.
5. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. — СПб, 2019. 480 с.
6. Шапиро Л., Стокман Дж. Компьютерное зрение / пер. с анг. М. Книга, 2015. 763с.
7. Ben Dickson. This MIT AI Predicts Breast Cancer Risk Up to 5 Years in Advance. PCMag, 2019. URL:
https://www.pcmag.com/news/this-mit-ai-predicts-breast-cancer-risk-up-to-5-years-in-advance (дата обращения:
04.04.2020)
8. Artur Kiulian. Let’s Talk About Self-Driving Cars. Medium, 2017/ URL: https://medium.com/swlh/lets-talk-aboutself-driving-cars-387cd5adb834 (дата обращения: 06.04.2020)
9. Ben Dickson. The security and privacy risks of face recognition authentication. TechTalks, 2017. URL:
https://bdtechtalks.com/2017/10/21/face-recognition-faceid-security-privacy-concerns/
(дата
обращения:
06.04.2020)
10. China News. Smile-to-pay: Chinese shoppers turn to facial payment technology. The Guardian, 2019. URL:
https://www.theguardian.com/world/2019/sep/04/smile-to-pay-chinese-shoppers-turn-to-facial-payment-technology
(дата обращения: 08.04.2020)
11. Pete Pachal. Google Photos identified two black people as 'gorillas'. Mashable, 2015. URL:
https://mashable.com/2015/07/01/google-photos-black-people-gorillas/ (дата обращения: 06.04.2020)
References
1. Richard Szeliski. Computer Vision: Algorithms and Applications. Kniga, 2011. 957 pp.
2. N. V. Kartheek Medathati, Heiko Neumann, Guillaume S. Masson, Pierre Kornprobst. Bio-inspired computer
vision: Towards a synergistic approach of artificial and biological vision. Computer vision and Image Undersandung.
2016. 1 – 30 pp.
3. Artamonov A. Analiz izobrazhenij i video, chast' 1. [Analusis of image and video, part 1]. Lekcija №1. [Lecture
no.1]. Kurs «Analiz izobrazhenij i video, chast' 1». [Course “Analusis of image and video, part 1]. 2019. URL:
https://my.compscicenter.ru/courses/images-and-video-1/2019-autumn/classes/4810/ (date accessed: 31.03.2020)
4. Gudfellou Ja., Bendzhio I., Kurvill' A. Glubokoe obuchenie [Deep learning] / per. s ang.[translate from Eng.] A. A.
Slinkina. Мoscow. Kniga, 2018. 652 pp. (in Rus.).
5. Nikolenko S., Kadurin A., Arhangel'skaja E. Glubokoe obuchenie [Deep learning]. Saint-Petersburg. Kniga, 2019.
480 pp. (in Rus.).
6. Shapiro L., Ctockman Dzg. Komp'juternoe zrenie [Computer vision]. Moscow. Kniga, 2015. 763 pp.
7. Ben Dickson. This MIT AI Predicts Breast Cancer Risk Up to 5 Years in Advance. PCMag, 2019. URL:
https://www.pcmag.com/news/this-mit-ai-predicts-breast-cancer-risk-up-to-5-years-in-advance (date accessed:
04.04.2020)
8. Artur Kiulian. Let’s Talk About Self-Driving Cars. Medium, 2017/ URL: https://medium.com/swlh/lets-talk-aboutself-driving-cars-387cd5adb834 (date accessed: 06.04.2020)
9. Ben Dickson. The security and privacy risks of face recognition authentication. TechTalks, 2017. URL:
https://bdtechtalks.com/2017/10/21/face-recognition-faceid-security-privacy-concerns/ (date accessed: 06.04.2020)
10. China News. Smile-to-pay: Chinese shoppers turn to facial payment technology. The Guardian, 2019. URL:
https://www.theguardian.com/world/2019/sep/04/smile-to-pay-chinese-shoppers-turn-to-facial-payment-technology
(дата обращения 08.04.2020)
11. Pete Pachal. Google Photos identified two black people as 'gorillas'. Mashable, 2015. URL:
https://mashable.com/2015/07/01/google-photos-black-people-gorillas/ (date accessed: 06.04.2020)