پردازش تصویر هوش مصنوعی ویرا سگال کارو از تکنیک های هوش مصنوعی استفاده می کند. هوش مصنوعی یک عبارت است که به هوش نشان داده شده از ماشین ها اطلاق می شود. در واقع نمی توان برای آن تعریف کامل و جامعی ارائه داد چون مفهوم مادر آن که خود هوش می باشد هنوز یک تعریف یکپارچه ندارد. اما در یک  جمع بندی کلی می توان گفت که هوش مصنوعی باید تصمیم گیری و رفتار های منطقی از خود نشان بدهد و یا به زبان دیگر رفتار هایی همانند انسان نشان دهد.

یک هوش مصنوعی یا در واقع یک سامانه هوشمند معمولی محیط خود را تجزیه و تحلیل می کند و اقداماتی را انجام می دهد که احتمال موفقیت آن را به حداکثر می رساند. این اقدامات می توانند در حد 0 و 1 ساده باشند و یا می توانند از الگوریتم های پیچیده تری که در زمان قبل موفق بوده اند پیروی کنند. متناوباً ، یک سیستم تکاملی می تواند اهداف را با استفاده از “عملکرد متناسب” برای جهش و همانند سازی ترجیحی سیستم های هوش مصنوعی با امتیاز بالا ، القا کند ، شبیه به تکامل حیوانات برای رسیدن به اهداف ذاتی از مانند یافتن غذا و غیره.

اکنون بسیاری از الگوریتم های هوش مصنوعی قادر به یادگیری از داده ها هستند. لازم به ذکر است که پردازش تصویر سامانه هوشمند ویرا سگال کارو قادر است از داده های که دریافت می کند یاد بگیرد و خود را به روز رسانی کند.

توانایی های شناختی معماری های فعلی بسیار محدود است و فقط  نسخه ساده ای از  آنچه که یک موجود هوشمند توانایی آن را دارد، استفاده می شود. به عنوان مثال ، ذهن انسان به روشهایی برای استدلال فراتر از اندازه و توضیحات منطقی درباره وقایع مختلف زندگی رسیده است. در غیر این صورت سرراست ، حل یک مشکل مساویاً دشوار ممکن است برخلاف استفاده از ذهن انسان ، چالش برانگیز باشد. این باعث ایجاد دو دسته مدل می شود: ساختارگرا و کارکردگرا. مدلهای ساختارگرا با هدف تقلید آزادانه از عملکردهای اساسی اطلاعاتی ذهن مانند استدلال و منطق کار می کنند. مدل کارکردگرا به داده های همبسته با نمونه محاسبه شده خود وابسته است و از آنها کمک می گیرد.

یادگیری ماشینی یکی از شاخه های علم هوش مصنوعی است که در آن الگوریتم های رایانه به طور خودکار از طریق تجربه و استفاده از داده ها بهبود می یابند. در واقع با یادگیری ماشینی ماشین ها یاد می گیرند که چطور وظایف خود را انجام دهند بدون اینکه دقیقا برای انجام آن کار برنامه نویسی شده باشند.

عبارت یادگیری ماشینی اولین بار توسط آرتور ساموئل به کار گرفته شد. تحلیل محاسباتی الگوریتم های یادگیری ماشین و عملکرد آنها شاخه ای از علوم رایانه ای نظری است که به عنوان تئوری یادگیری محاسباتی شناخته می شود. از آنجا که مجموعه های آموزشی محدود و آینده نامشخص است ، نظریه یادگیری معمولاً ضمانت عملکرد الگوریتم ها را ندارد. در عوض ، گرفتن حدود احتمالی عملکرد کاملاً رایج است. تجزیه واریانس بایاس – یکی از راه های تعیین کمیت خطای تعمیم است.

شبکه های عصبی مصنوعی (ANN) ، که معمولاً شبکه های عصبی (NN) نامیده می شوند ، سیستم های محاسباتی هستند که به طور مبهم از شبکه های عصبی بیولوژیکی که مغز حیوانات را تشکیل می دهند ، الهام گرفته شده است.

هر اتصال ، مانند سیناپس های مغز بیولوژیکی ، می تواند سیگنالی را به سلولهای عصبی دیگر منتقل کند. یک نورون مصنوعی که یک سیگنال دریافت می کند ،  آن را پردازش می کند و می تواند به نورون های متصل، آن سیگنال ارسال کند. “سیگنال” در اتصال یک عدد واقعی است و خروجی هر نورون توسط برخی از تابع های غیر خطی از مجموع ورودی های آن محاسبه می شود به این نوع اتصال،  اتصالات لبه گفته می شود. نورون ها و لبه ها معمولاً وزنی دارند که با پیشرفت یادگیری تنظیم می شوند. وزن، قدرت سیگنال را در یک اتصال افزایش یا کاهش می دهد. نورون ها ممکن است آستانه ای داشته باشند که فقط در صورت عبور سیگنال کل از آن آستانه ، سیگنال ارسال شود. به طور معمول ، سلول های عصبی در لایه ها جمع می شوند. لایه های مختلف ممکن است تغییرات مختلفی را روی ورودی های خود انجام دهند. سیگنال ها از لایه اول (لایه ورودی) به آخرین لایه (لایه خروجی) منتقل می شوند. این کار ممکن است بعد از رفت و آمد سیگنال به دفعات و بن چنیدن لایه مخفی انجام شود.

یادگیری عمیق بخشی از یک خانواده گسترده تر از روش های یادگیری ماشین بر اساس شبکه های عصبی مصنوعی با یادگیری بازنمایی است. یادگیری می تواند تحت نظارت ، نیمه نظارتی یا بدون نظارت باشد. معماری های یادگیری عمیق مانند شبکه های عصبی عمیق ، شبکه های اعتقادی عمیق ، شبکه های عصبی گراف ، شبکه های عصبی مکرر و شبکه های عصبی کانولوشن در زمینه هایی از جمله بینایی رایانه ، تشخیص گفتار ، پردازش زبان طبیعی ، ترجمه ماشینی ، بیوانفورماتیک ، طراحی دارو ، پزشکی استفاده شده است. برنامه های تجزیه و تحلیل تصویر ، بازرسی مواد و بازی های رومیزی ، جایی که آنها نتایج قابل مقایسه ای با عملکرد متخصص انسان داشته و در برخی موارد فراتر از آن هستند