MoyenneChoix unique

Question d'entraînement AI-900

Un musée souhaite créer une application permettant aux visiteurs de prendre en photo une peinture et de recevoir des informations sur l'artiste, l'année et le style. L'application doit identifier la peinture à partir d'une base de données de milliers d'œuvres d'art. Quelle capacité d'Azure Computer Vision est la plus adaptée ?

Choisissez la meilleure réponse.

Bonne réponse

  • BImage classification

Explication

Image classification est le choix correct car l'application doit attribuer une seule étiquette (la peinture spécifique) à l'ensemble de la photo. Les modèles de classification d'images d'Azure Computer Vision sont entraînés pour reconnaître et catégoriser des images entières dans des classes prédéfinies, ce qui correspond à l'exigence d'identifier une peinture à partir d'une base de données de milliers d'œuvres d'art en fonction du contenu visuel de la photo.

Pourquoi chaque option est juste ou fausse

A

Fausse

Optical Character Recognition (OCR)

La reconnaissance optique de caractères (OCR) est une technologie qui extrait du texte imprimé ou manuscrit d'images et le convertit en caractères lisibles par machine. Bien qu'une peinture puisse contenir une signature ou un titre, l'OCR ne renverrait que ce contenu textuel, et non l'identité de la peinture, son créateur, son style ou son sujet. Elle ne peut pas analyser les caractéristiques visuelles telles que la composition, la palette de couleurs ou la touche du pinceau, qui sont essentielles pour reconnaître une œuvre d'art spécifique. Par conséquent, l'OCR ne convient pas car elle traite des données textuelles plutôt que le contenu de l'image entière.

B

Juste

Image classification

Image classification est l'approche correcte car elle analyse l'image entière comme une seule unité et lui attribue une étiquette provenant d'un ensemble prédéfini de catégories. Dans ce scénario, le modèle pourrait être entraîné sur un jeu de données où chaque peinture constitue sa propre classe, permettant à l'application de faire correspondre la photo d'un visiteur à l'œuvre d'art spécifique. Elle utilise des motifs visuels appris, tels que la structure globale, la distribution des couleurs et des motifs distinctifs, pour faire la prédiction. Cela correspond directement à l'objectif d'identifier la peinture elle-même, et non simplement un élément en son sein.

C

Fausse

Object detection

Object detection est conçu pour localiser et classifier plusieurs objets distincts au sein d'une image en dessinant des boîtes englobantes autour de chacun d'eux. Pour une application de musée, la détection d'objets pourrait repérer des figures individuelles, des vases ou des éléments architecturaux à l'intérieur d'une peinture, mais elle n'identifierait pas la peinture dans son ensemble. La tâche ici consiste à reconnaître toute l'œuvre d'art à partir d'une photo, ce qui est un problème à étiquette unique pour l'image entière plutôt qu'un problème de localisation multi-objet. L'utilisation de la détection d'objets renverrait des boîtes de composants non pertinents et ne fournirait pas l'identité de l'œuvre d'art comme sortie principale.

D

Fausse

Face detection

Face detection identifie et localise spécifiquement les visages humains dans une image, souvent pour des tâches telles que le comptage ou la reconnaissance de visages. De nombreuses peintures, en particulier les portraits, contiennent des visages, de sorte qu'un détecteur de visage s'activerait sur eux, mais cette sortie ne transmet rien sur la peinture photographiée ou son artiste. L'application nécessite de classifier l'image entière pour déterminer l'identité de la peinture, son style et son contexte historique, des informations que la détection de visage ne peut pas fournir. Il s'agit d'une tâche spécialisée de détection de caractéristiques, et non d'une méthode générale de compréhension d'images adaptée à ce cas d'utilisation.

Pour aller plus loin

La classification d'images pour une application de musée repose généralement sur un réseau de neurones convolutif (CNN) qui extrait des caractéristiques visuelles hiérarchiques, des bords et textures dans les couches inférieures jusqu'aux parties d'objets et aux motifs de scènes complètes dans les couches plus profondes. Le modèle est entraîné sur des photographies étiquetées de peintures, où chaque étiquette correspond à une œuvre d'art, et apprend à attribuer une distribution de probabilité sur toutes les classes, renvoyant l'étiquette avec la plus haute confiance. Une subtilité clé est que la classification suppose que le sujet dominant remplit le cadre ; si un visiteur prend en photo une peinture sous un angle ou avec d'autres objets en vue, le modèle peut nécessiter un prétraitement tel que le rognage ou la correction de perspective. Une idée reçue fréquente est que l'OCR ou la détection d'objets peuvent se substituer à la classification, mais elles résolvent des problèmes différents : l'OCR lit le texte intégré, la détection d'objets localise plusieurs entités, et la classification capture le contenu global d'une image. En pratique, le service de classification d'images personnalisée d'Azure Computer Vision peut être entraîné avec seulement quelques images par peinture, mais il fonctionne mieux avec un éclairage cohérent et des vues plein cadre, soulignant l'importance de guider l'utilisateur dans l'interface de la caméra de l'application.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.