26 

 

 

Τα  γεγονότα  αυτά  καθιστούν  προφανές  ότι  οι  αληθινοί  παίκτες  δε  μπορούν  να 

συναγωνιστούν  τον  υπολογιστή  στο  Ναρκαλιευτή.  Οπότε,  φυσικά,  δε  μπορεί  να  τεθεί  και 

σύγκριση μεταξύ επιλυτή και παίκτη όπως στις περιπτώσεις που αναλύθηκαν στο εισαγωγικό 

κεφάλαιο.  Αντί  αυτού,  οι  συγκρίσεις  προσεγγίσεων  γίνονται  μεταξύ  επιλυτών  και  των 

μεθόδων  που  επιλέγουν  για  να  αναλύσουν  και  να  αντιμετωπίσουν  την  πρόκληση.  Πιο 

συγκεκριμένα, η σύγκριση γίνεται με βάση το ποσοστό επιτυχίας (win rate) ή την καινοτομία 

της προσέγγισης. 

 

2.3 Μηχανική Όραση 

Βρίσκοντας  γόνιμο  έδαφος  για  την  ταχύτατη  ανάπτυξή  της,  η  τεχνητή  νοημοσύνη 

έθεσε τα θεμέλια της σε μια πληθώρα επιστημονικών πεδίων. Ένα από αυτά τα πεδία είναι η 

μηχανική όραση κατά την οποία προσεγγίζεται η αλγοριθμική μελέτη της όρασης [31]. Με τη 

συλλογή,  επεξεργασία  και  ανάλυση  ψηφιακών  φωτογραφιών  έχει  σκοπό  να  παράγει 

συμβολικά  δεδομένα  με  βάση  το  περιεχόμενο  ή  να  αλλάξει  τις  ιδιότητες  τους.  Όπως  ένας 

άνθρωπος  μπορεί  να  αποκτήσει  ένα  οπτικό  ερέθισμα  με  την  αίσθηση  της  όρασης,  ένα 

πρόγραμμα μπορεί να έχει την ανάλογη είσοδο με κάποιον αισθητήρα. Έγκυρες είσοδοι για 

έναν  αλγόριθμο  μηχανικής  όρασης  είναι  φωτογραφίες,  βίντεο  ακόμα  και  τρισδιάστατες 

αναπαραστάσεις.  Σε  κάθε  περίπτωση,  υπάρχουν  υποσύνολα  της  μηχανικής  όρασης  που 

χειρίζονται τις ανάλογες εισόδους. 

Μερικές από τις πιο διαδεδομένες εφαρμογές που συνδυάζουν τεχνικές μηχανικής όρασης: 

•  Εκτίμηση 3D μοντέλων [Εικόνα 2.2a][32] 
•  Αναγνώριση προσώπων [Εικόνα 2.2b][33] 
•  Οπτική Αναγνώριση Χαρακτήρων (OCR) [Εικόνα 2.2c] [34] 
•  Ανάλυση απεικονίσεων με ακτίνες X [35] 
•  Αυτοματοποίηση και εποπτεία ρομπότ παραγωγής [36] 
•  Αυτοοδηγούμενα Αυτοκίνητα και εντοπισμός πεζών [37] 

 

Εικόνα 2.2: Εφαρμογές της Μηχανικής Όρασης (a) Εκτίμηση στάσης του σώματος [32] (b) Αναγνώριση Προσώπων 
[33] (c) Οπτική Αναγνώριση Χαρακτήρων.