कंप्यूटर दृष्टि प्रौद्योगिकी आज की वास्तविकताओं में जीवन और व्यापार को आसान, सस्ता, सुरक्षित बनाने की अनुमति देती है। अनुसार करने के लिए विभिन्न विशेषज्ञों, इस बाजार केवल विकास की दिशा है, जो उत्पादकता और गुणवत्ता की दिशा में उचित प्रौद्योगिकियों के विकास की अनुमति देता है में आने वाले वर्षों में आ जाएगा। सबसे लोकप्रिय वर्गों में से एक ऑब्जेक्ट डिटेक्शन (ऑब्जेक्ट डिटेक्शन) है - छवि में या वीडियो स्ट्रीम में ऑब्जेक्ट की परिभाषा।

वह समय जब वस्तुओं का पता लगाना शास्त्रीय मशीन लर्निंग (कैस्केड, एसवीएम ...) के माध्यम से विशेष रूप से हल किया गया था - अब इस क्षेत्र में डीप लर्निंग के शासन पर आधारित दृष्टिकोण हैं। 2014 में, एक दृष्टिकोण प्रस्तावित किया गया था कि इस क्षेत्र में बाद के अनुसंधान और विकास को काफी प्रभावित किया - आर-सीएनएन मॉडल। इसके बाद के सुधार (फास्ट आर-सीएनएन और फास्टर आर-सीएनएन के रूप में) ने इसे सबसे सटीक बना दिया, जो आज तक इसके उपयोग का कारण बन गया है।

आर-सीएनएन के अलावा, वस्तुओं के लिए खोज करने वाले कई और दृष्टिकोण हैं: योलो परिवार, एसएसडी, रेटिनानेट, सेंटरनेट ... उनमें से कुछ एक वैकल्पिक दृष्टिकोण प्रदान करते हैं, जबकि अन्य प्रदर्शन संकेतक को बढ़ाने की दिशा में वर्तमान एक को विकसित कर रहे हैं। चिप्स और ट्रिक्स की प्रचुरता के कारण उनमें से लगभग एक की चर्चा एक अलग लेख में की जा सकती है :)

अध्ययन करने के लिए, मैं दो-चरण ऑब्जेक्ट डिटेक्शन मॉडल के विश्लेषण के साथ लेखों का एक सेट प्रस्तावित करता हूं। उनके उपकरण को समझने की क्षमता अन्य कार्यान्वयन में उपयोग किए जाने वाले मूल विचारों की समझ लाती है। इस पोस्ट में हम सबसे बुनियादी और, तदनुसार, उनमें से पहला - आर-सीएनएन पर विचार करेंगे।

शब्दावली

बाउंडिंग बॉक्स - निर्देशांक जो एक छवि के एक विशिष्ट क्षेत्र को बाध्य करते हैं - ज्यादातर एक आयत के आकार में। इसे दो प्रारूपों में 4 निर्देशांक द्वारा दर्शाया जा सकता है: केंद्रित ($$$c_{x},c_{y},w,h$ ) और साधारण ($$$x_{min},y_{min},x_{max},y_{max}$ )।

परिकल्पना (प्रस्ताव),पी - छवि का एक निश्चित क्षेत्र (बाउंडिंग बॉक्स का उपयोग करके निर्दिष्ट) जिसमें ऑब्जेक्ट माना जाता है।

एंड-टू-एंड ट्रेनिंग- प्रशिक्षण जिसमें कच्ची छवियां नेटवर्क इनपुट पर आती हैं, और तैयार उत्तर सामने आते हैं।

IoU (अंतर-अति-संघ)- दो बाउंडिंग बॉक्स के बीच चौराहे की डिग्री का मीट्रिक।

आर-सीएनएन

किसी चित्र में किसी वस्तु के स्थान का निर्धारण करने के लिए लागू होने वाले पहले दृष्टिकोणों में से एक आर-सीएनएन (रीजन कन्वेंशन न्यूरल नेटवर्क) है। इसकी वास्तुकला में कई क्रमिक चरण शामिल हैं और चित्र 1 में इसका वर्णन किया गया है:

1. परिकल्पनाओं के एक सेट को परिभाषित करना।
2. एक भावी तंत्रिका नेटवर्क का उपयोग करके भावी क्षेत्रों से सुविधाओं को निकालना और उन्हें एक वेक्टर में एन्कोडिंग करना।
3. चरण 2 से वेक्टर के आधार पर एक परिकल्पना के भीतर एक वस्तु का वर्गीकरण।
4. परिकल्पना के निर्देशांक का सुधार (समायोजन)।
5. चरण 2 से सब कुछ दोहराता है जब तक कि चरण 1 से सभी परिकल्पनाओं को संसाधित नहीं किया जाता है।

प्रत्येक चरण पर अधिक विस्तार से विचार करें।

परिकल्पना खोज

इनपुट पर एक विशिष्ट छवि होने पर, पहली चीज यह विभिन्न आकारों के छोटे परिकल्पनाओं में टूट जाती है। इस लेख के लेखक चयनात्मक खोज - शीर्ष-स्तर का उपयोग करते हैं , यह आपको पिक्सेल तीव्रता, रंग अंतर, कंट्रास्ट और बनावट द्वारा वस्तुओं की सीमाओं का निर्धारण करने के लिए विभाजन के आधार पर परिकल्पना (वस्तु का वर्ग अभी तक कोई फर्क नहीं पड़ता) के एक सेट को संकलित करने की अनुमति देता है। उसी समय, लेखक ध्यान देते हैं कि किसी भी समान एल्गोरिथ्म का उपयोग किया जा सकता है। इस प्रकार, लगभग 2,000 विभिन्न क्षेत्र बाहर खड़े हैं, जो आंशिक रूप से एक दूसरे को ओवरलैप करते हैं। अधिक सटीक बाद की प्रक्रिया के लिए, प्रत्येक परिकल्पना को सभी 4 दिशाओं में 16 पिक्सेल द्वारा विस्तारित किया जाता है - जैसे कि संदर्भ जोड़ना ।

संपूर्ण:

• इनपुट: मूल छवि
• आउटपुट: विभिन्न आकारों और पहलू अनुपात की परिकल्पना का एक सेट।

छवि एन्कोडिंग

पिछले चरण से प्रत्येक परिकल्पना स्वतंत्र रूप से और एक-दूसरे से अलग-अलग होती है, जो संवेदी तंत्रिका नेटवर्क के इनपुट में प्रवेश करती है। चूंकि यह आखिरी सॉफ्टमैक्स-लेयर के बिना एलेक्सनेट की वास्तुकला का उपयोग करता है। नेटवर्क का मुख्य कार्य आने वाली छवि को एक सदिश प्रतिनिधित्व में सांकेतिक शब्दों में बदलना है जो पिछले पूरी तरह से जुड़े एफसी 7 परत से निकाला गया है । इसलिए आउटपुट 4096-आयामी वेक्टर प्रतिनिधित्व है।

आप देख सकते हैं कि एलेक्सनेट के इनपुट का आयाम 3 × 227 × 227 है, और परिकल्पना का आकार लगभग किसी भी पहलू अनुपात और आकार हो सकता है। इस समस्या को इनपुट को केवल वांछित आकार में संपीड़ित या खींचकर बाईपास किया जाता है।

संपूर्ण:

• इनपुट: पिछले चरण में प्रस्तावित प्रत्येक परिकल्पना।
• आउटपुट: प्रत्येक परिकल्पना के लिए वेक्टर प्रतिनिधित्व।

वर्गीकरण

सदिश परिकल्पना को चित्रित करने वाले वेक्टर प्राप्त करने के बाद, इसकी आगे की प्रक्रिया संभव हो जाती है। निर्धारित क्षेत्र में कौन सी वस्तु स्थित है, यह निर्धारित करने के लिए, लेखक क्लासिक एसवीएम-आधारित पृथक्करण विमान वर्गीकरण विधि का उपयोग करते हैं (समर्थन वेक्टर मशीन - एक समर्थन वेक्टर मशीन, हिंग नुकसान का उपयोग करके मॉडलिंग की जा सकती है )। और यह होना चाहिए$$$N_{c}+1$ व्यक्ति (यहां,$$$N_{c}$ वस्तुओं के परिभाषित वर्गों की संख्या को दर्शाता है, और OvR सिद्धांत के अनुसार प्रशिक्षित मॉडल की पृष्ठभूमि () की एक अलग परिभाषा के लिए एक इकाई को जोड़ा जाता है (एक बनाम बाकी - सभी के खिलाफ, मल्टीकासल वर्गीकरण के तरीकों में से एक)। वास्तव में, द्विआधारी वर्गीकरण समस्या हल हो रही है - क्या प्रस्तावित क्षेत्र के अंदर किसी वस्तु का एक ठोस वर्ग है या नहीं। तो रास्ता बाहर है$$$N_{c}+1$ -आयामी वेक्टरपरिकल्पना में निहित वस्तु के एक विशेष वर्ग मेंआत्मविश्वासकाप्रतिनिधित्वकरता है (पृष्ठभूमि को ऐतिहासिक रूप से शून्य वर्ग द्वारा निरूपित किया गया है,$$$C_{i}=0$ )।

संपूर्ण:

• इनपुट: नेटवर्क की penultimate लेयर से प्रत्येक प्रस्तावित परिकल्पना का वेक्टर (एलेक्सनेट के मामले में, यह FC7 है)।
• : , $$$2000×N_{c}$, .

चरण 1 में प्राप्त परिकल्पनाओं में हमेशा सही निर्देशांक नहीं होते हैं (उदाहरण के लिए, एक वस्तु "असफल" हो सकती है), इसलिए यह उन्हें अतिरिक्त रूप से सही करने के लिए समझ में आता है। लेखकों के अनुसार, यह मैट्रिक्स में अतिरिक्त 3-4% लाता है। तो, एक वस्तु युक्त परिकल्पना (एक वस्तु की उपस्थिति वर्गीकरण कदम पर निर्धारित होती है) इसके अलावा रैखिक प्रतिगमन द्वारा संसाधित की जाती है। यही है, "पृष्ठभूमि" वर्ग के साथ परिकल्पनाओं को क्षेत्रों के अतिरिक्त प्रसंस्करण की आवश्यकता नहीं है, क्योंकि वास्तव में वहाँ कोई वस्तु नहीं है ...

प्रत्येक वस्तु, अपनी कक्षा के लिए विशिष्ट है, कुछ निश्चित आकार और पहलू अनुपात हैं, इसलिए, जो तार्किक है, प्रत्येक वर्ग के लिए हमारे स्वयं के रजिस्ट्रार का उपयोग करने की सिफारिश की जाती है। ।

पिछले चरण के विपरीत, लेखक सर्वोत्तम कार्य करने के लिए इनपुट के लिए FC7 परत से एक गैर-वेक्टर का उपयोग करते हैं, और अंतिम मैक्सपूलिंग परत से निकाले गए फ़ीचर नक्शे (एलेक्सनेट में, $$$MaxPool_{5}$, आयाम 256 × 6 × 6)। व्याख्या निम्नलिखित है - वेक्टर कुछ विशिष्ट विवरणों के साथ किसी वस्तु की उपस्थिति के बारे में जानकारी संग्रहीत करता है, और फीचर मैप वस्तुओं के स्थान के बारे में सबसे अच्छी जानकारी संग्रहीत करता है।

संपूर्ण:

• इनपुट: प्रत्येक परिकल्पना के लिए अंतिम मैक्सपूलिंग परत से विशेषताओं का एक नक्शा जिसमें पृष्ठभूमि को छोड़कर कोई भी वस्तु होती है।
• आउटपुट: परिकल्पना के बाउंडिंग बॉक्स के निर्देशांक में सुधार।

हेल्पर ट्रिक्स

मॉडल प्रशिक्षण के विवरण पर आगे बढ़ने से पहले, हम दो आवश्यक तरकीबों पर विचार करेंगे, जिनकी हमें बाद में आवश्यकता होगी।

सकारात्मक और नकारात्मक परिकल्पना का पदनाम

शिक्षक के साथ पढ़ाने के दौरान, कक्षाओं के बीच एक निश्चित संतुलन हमेशा आवश्यक होता है। ऐंठन गरीब वर्गीकरण सटीकता के लिए नेतृत्व कर सकते हैं। उदाहरण के लिए, यदि दो वर्गों के साथ एक नमूना पहले केवल कुछ प्रतिशत मामलों में होता है, तो नेटवर्क के लिए यह सीखना मुश्किल है कि इसे कैसे निर्धारित किया जाए - आखिरकार, यह एक बाह्य के रूप में व्याख्या की जा सकती है। ऑब्जेक्ट डिटेक्शन कार्यों के मामले में, बस एक ऐसी समस्या है - एक ही वस्तु के साथ तस्वीर में, केवल कुछ परिकल्पना (~ 2000 से) में यह बहुत ही वस्तु है ($$$C_{i}>0$ ), और अन्य सभी पृष्ठभूमि हैं ($$$C_{i}=0$ )।

हम आवश्यक संकेतन को स्वीकार करते हैं: वस्तुओं वाली परिकल्पना कोसकारात्मक(पॉजिटिव)कहा जाएगा, और वस्तुओं के बिना (केवल पृष्ठभूमि, या वस्तु का एक तुच्छ हिस्सा) -नकारात्मक(नकारात्मक)।

बाद में छवि के दो क्षेत्रों के बीच चौराहे का निर्धारण करने के लिए,यूनियनमीट्रिकपरअंतर का उपयोग किया जाएगा। यह काफी सरल माना जाता है: दो क्षेत्रों के चौराहे क्षेत्र को क्षेत्रों के कुल क्षेत्र से विभाजित किया जाता है। नीचे दी गई छवि में आप मीट्रिक गिनती के उदाहरणों के चित्र देख सकते हैं।



सकारात्मक परिकल्पना के साथ, सब कुछ स्पष्ट है - यदि वर्ग को गलत तरीके से परिभाषित किया गया है, तो आपको जुर्माना लगाने की आवश्यकता है। लेकिन नकारात्मक के बारे में क्या? सकारात्मक लोगों की तुलना में कई अधिक हैं ... शुरू करने के लिए, हम ध्यान दें कि सभी नकारात्मक परिकल्पनाओं को पहचानना उतना ही मुश्किल नहीं है। उदाहरण के लिए, केवल पृष्ठभूमि ( आसान नकारात्मक ) वाले मामलों को किसी अन्य वस्तु या इच्छित (छोटे नकारात्मक ) के एक छोटे हिस्से को शामिल करने की तुलना में वर्गीकृत करना बहुत आसान है ।

व्यवहार में, आसान नकारात्मक और कठिन नकारात्मक को छवि में ऑब्जेक्ट की सही स्थिति के साथ बाउंडिंग बॉक्स (बस यूनियन पर इस्तेमाल किया जाने वाला अंतर) के चौराहे द्वारा निर्धारित किया जाता है। उदाहरण के लिए, यदि कोई चौराहा नहीं है, या यह बहुत छोटा है, तो यह आसान नकारात्मक है ($$$C_{i}=0$ ), यदि बड़ा - यह कठिन नकारात्मक या सकारात्मक है। हार्ड नेगेटिव माइनिंग

दृष्टिकोणप्रशिक्षण के लिए केवल कठिन नकारात्मक का उपयोगकरने कासुझाव देता है, क्योंकि, उन्हें पहचानने के लिए सीखा है, हम स्वचालित रूप से आसान नकारात्मक परिकल्पना के साथ सबसे अच्छा काम हासिल करते हैं। लेकिन ऐसी विचारधारा केवल बाद के कार्यान्वयन (फास्ट आर-सीएनएन से शुरू) में लागू होगी।

गैर-अधिकतम दमन

अक्सर, यह पता चला है कि मॉडल एक ही वस्तु की ओर इशारा करते हुए बहुत से आत्मविश्वास के साथ कई परिकल्पनाओं की पहचान करता है। गैर-अधिकतम दमन (एनएमएस) का उपयोग करके , आप ऐसे मामलों को संभाल सकते हैं और केवल एक, सर्वश्रेष्ठ, बाउंडिंग बॉक्स को छोड़ सकते हैं। लेकिन एक ही समय में, उस मामले के बारे में मत भूलना जब छवि में एक ही वर्ग के दो अलग-अलग ऑब्जेक्ट हो सकते हैं। चित्र 3 एल्गोरिथ्म के संचालन से पहले (बाएं) और बाद में (दाएं) ऑपरेशन के प्रभाव को दिखाता है।



एक वर्ग पर काम करने के लिए एल्गोरिथ्म पर विचार करें (वास्तव में, यह प्रत्येक वर्ग के लिए अलग से लागू होता है):

1. इनपुट पर, फ़ंक्शन एक वर्ग के लिए परिकल्पना का एक सेट लेता है और एक सीमा होती है जो परिकल्पनाओं के बीच अधिकतम चौराहे को निर्धारित करती है।
2. परिकल्पनाओं को उनके "आत्मविश्वास" द्वारा हल किया जाता है।
3. चक्र में, पहली परिकल्पना का चयन किया जाता है (इसमें उच्चतम आत्मविश्वास मूल्य होता है) और परिणाम सेट में जोड़ा जाता है।
4. चक्र में, अगले परिकल्पना का चयन किया जाता है (चरण 3 के बाद शेष लोगों के बीच)।
5. यदि चयनित परिकल्पनाओं के बीच का चौराहा चयनित सीमा से अधिक है (चौराहे की गणना संघ के अंतर के आधार पर की जाती है), तो दूसरी परिकल्पना को छोड़ दिया जाता है और परिणाम सेट में आगे मौजूद नहीं होता है।
6. सब कुछ चरण 3 से दोहराता है जब तक कि परिकल्पना पूरी तरह से एन्यूमरेटेड नहीं हो जाती।

छद्मकोड इस तरह दिखता है:

function nms(hypotheses, threshold):
    sorted = sort(hypotheses.values, key=hypotheses.scores)
    result = []
    for first in sorted:
        result.join(first)
        without_first = sorted / first
        for second in without_first:
            if IoU(first, second) > threshold:
                 sorted.remove(second)
    return result

प्रशिक्षण

परिकल्पना अलगाव ब्लॉक सीखने योग्य नहीं है।

चूंकि नेटवर्क को कई ब्लॉकों में विभाजित किया गया है जो एक दूसरे से अलग हैं, इसे एंड-टू-एंड आधार पर प्रशिक्षित नहीं किया जा सकता है। तो, सीखना एक अनुक्रमिक प्रक्रिया है।

वेक्टर देखें प्रशिक्षण

ImageNet पर पहले से प्रशिक्षित नेटवर्क को आधार के रूप में लिया जाता है - ऐसे नेटवर्क पहले से ही आने वाली छवियों से महत्वपूर्ण विशेषताओं को अच्छी तरह से निकाल सकते हैं, यह उन्हें आवश्यक वर्गों के साथ काम करने के लिए प्रशिक्षित करने के लिए रहता है। ऐसा करने के लिए, आउटपुट लेयर के आयाम को बदल दें$$$N_{c}$ और पहले से ही संशोधित संस्करण को प्रशिक्षित करना। पहली परतों को अवरुद्ध किया जा सकता है, क्योंकि वे प्राथमिक (सभी छवियों के लिए लगभग समान) सुविधाओं को निकालते हैं, और प्रशिक्षण के दौरान बाद वाले वांछित कक्षाओं की सुविधाओं के अनुकूल होते हैं। तो अभिसरण बहुत तेजी से हासिल किया जाएगा। लेकिन अगर प्रशिक्षण अभी भी बुरी तरह से चल रहा है, तो आप प्राथमिक परतों को अनलॉक कर सकते हैं। चूंकि मौजूदा वज़न को ठीक से समायोजित करना आवश्यक है। यह उच्च सीखने की दर (सीखने की दर) का उपयोग करने के लिए अनुशंसित नहीं है - आप बहुत जल्दी मौजूदा वजन मिटा सकते हैं।

जब नेटवर्क ने वस्तुओं को अच्छी तरह से वर्गीकृत करना सीख लिया है, तो सॉफ्टमैक्स सक्रियण के साथ अंतिम परत को छोड़ दिया जाता है और FC7 परत आउटपुट बन जाती है, जिसके आउटपुट, बदले में, परिकल्पना के वेक्टर प्रतिनिधित्व के रूप में व्याख्या की जा सकती है।

इस कदम पर सकारात्मक 0.5% से अधिक वस्तु (IoU) की सही स्थिति के साथ प्रतिच्छेद करने वाली परिकल्पनाएं हैं। अन्य सभी को नकारात्मक माना जाता है। तराजू को अपडेट करने के लिए, एक 128 मिनी-बैच का उपयोग किया जाता है, जिसमें 32 सकारात्मक और 96 नकारात्मक परिकल्पनाएं होती हैं।

क्लासिफायर ट्रेनिंग

आपको याद दिला दूं, प्रत्येक परिकल्पना के वर्गीकरण के लिए उपयोग किया जाता है $$$N_{c}+1$एसवीएम मॉडल जो इनपुट वेक्टर प्रतिनिधित्व परिकल्पना प्राप्त करते हैं, औरएकके आधार परदूसरे(वन-बनाम-रेस्ट) के आधार पर निर्धारित ऑब्जेक्ट क्लास। उन्हें एक अपवाद के साथ साधारण एसवीएम मॉडल के रूप में प्रशिक्षित किया जाता है - इस कदम पर सकारात्मक और नकारात्मक की परिभाषा थोड़ी अलग है। यहां परिकल्पनाओं को नकारात्मक के रूप में लिया जाता है, जिनमें से सही स्थिति 0.3 से कम है।

Regress प्रशिक्षण

निरूपित:

• $$$G=(g_{x},g_{y},g_{w},g_{h})$– ;
• $$$\hat{G}=(\hat{g_{x}},\hat{g_{y}},\hat{g_{w}},\hat{g_{h}})$– ( $$$G$);
• $$$T=(t_{x},t_{y},t_{w},t_{y})$– ;
• $$$P=(p_{x},p_{y},p_{w},p_{h})$- परिकल्पना के निर्देशांक;

इसलिए रेजिस्टर (प्रत्येक वर्ग के लिए) चार कार्यों का प्रतिनिधित्व करते हैं:

• $$$d_{x}(P)$,$$$d_{y}(P)$ - केंद्र के निर्देशांक में सुधार का निर्धारण ($$$x,y$ )। मूल आकार से स्वतंत्रता के प्रभाव को प्राप्त करने के लिए, सुधार को सामान्य किया जाना चाहिए।
• $$$d_{w}(P)$और$$$d_{h}(P)$ - लॉगरिदमिक स्पेस में चौड़ाई और ऊंचाई के लिए सुधार का निर्धारण करें (लॉगरिदमिक स्पेस संख्यात्मक स्थिरता के लिए उपयोग किया जाता है, और विभाजन - सुधार की दिशा निर्धारित करने के लिए)।

द्वारा निरूपित करें $$$\varphi_{5}(P)$फीचर मैप से लिया गया है$$$MaxPool_{5}$ नेटवर्क लेयर (मुझे याद है, इसमें 256 × 6 × 6 का आयाम है, फिर यह सिर्फ बाहर निकलता है), जब एक परिकल्पना इसे नेटवर्क पर लागू करके निर्देशांक तक सीमित होती है$$$P$ । हम एक परिवर्तन की तलाश करेंगे$$$P$ में$$$G$ जैसे:

$$\begin{align} \hat{g_x} &= p_w d_x(P) + p_x \\ \hat{g_y} &= p_h d_y(P) + p_y \\ \hat{g_w} &= p_w e^{d_w(P)} \\ \hat{g_h} &= p_h e^{d_h(P)} \end{align}$$
जिसमें $$$d_{*}(P)={w_{*}}^{T}\varphi_{5}(P)$(यहाँ $$$*∈(x,y,w,h)$) एक रैखिक कार्य है, और वेक्टर $$$w_{*}$अनुकूलन समस्या (रिज रिग्रेशन) का उपयोग करके खोज की जाती है:

$$

$$w_{*}=argmax_{\hat{w_{*}}}\sum_{i}^{N}(T_{i_{*}}-d_{*}(P))^{2}+\lambda \left \| \hat{w_{x}} \right \|^{2}$$

निर्देशांक के सुधारों को निर्धारित करने के लिए, हम परिकल्पनाओं की सही स्थिति के बीच जोड़े एकत्र करते हैं $$$G$और उनकी वर्तमान स्थिति $$$P$, और मूल्यों को परिभाषित करते हैं $$$T_{*}$जैसे: इस आलेख के अंदर सूत्रों में नोटेशन सर्वश्रेष्ठ समझ के लिए मूल लेख के अंकन से भिन्न हो सकता है। चूंकि नेटवर्क के आउटपुट पर ~ 2000 परिकल्पनाएं हैं, वे गैर-अधिकतम दमन का उपयोग करके संयुक्त हैं। लेख के लेखक यह भी संकेत देते हैं कि यदि SVM के बजाय आप SoftMax लेयर का उपयोग करते हैं (जिसे दूसरे चरण में बाहर कर दिया गया था), सटीकता ~ 4-4.5% (VOC 2007 डेटासेट) से कम हो जाती है, लेकिन वे ध्यान दें कि तराजू का सबसे अच्छा "फिट" संभवतः छुटकारा पाने में मदद करेगा। इस तरह की समस्या से।

$$\begin{align} T_x &= \frac{g_x-p_x}{p_w} \\ T_y &= \frac{g_y-p_y}{p_h} \\ T_w &= \log{\frac{g_w}{p_w}} \\ T_h &= \log{\frac{g_h}{p_h}}\qquad \end{align}$$

अंत में, हम इस दृष्टिकोण के मुख्य नुकसानों पर प्रकाश डालते हैं:

1. चरण 1 में प्रस्तावित परिकल्पनाएं आंशिक रूप से एक-दूसरे की नकल कर सकती हैं - अलग-अलग परिकल्पना में समान भाग शामिल हो सकते हैं, और इस तरह की प्रत्येक परिकल्पना को अलग से एक तंत्रिका नेटवर्क द्वारा संसाधित किया गया था। यह पता चला है कि अधिकांश नेटवर्क अनावश्यक रूप से एक-दूसरे की नकल करते हैं।
2. यह वास्तविक समय के संचालन के लिए इस्तेमाल नहीं किया जा सकता है, क्योंकि ~ 53 सेकंड 1 छवि (फ्रेम) (NVIDIA टाइटन ब्लैक जीपीयू) पास करने पर खर्च किए जाते हैं।
3. परिकल्पना निष्कर्षण एल्गोरिथ्म किसी भी तरह से नहीं पढ़ाया जाता है, और इसलिए गुणवत्ता में और सुधार लगभग असंभव है (किसी ने बुरी परिकल्पना को रद्द नहीं किया है)।

यह बहुत पहले R-CNN मॉडल को पार्स करता है। अधिक उन्नत कार्यान्वयन (फास्ट आर-सीएनएन और फास्टर आर-सीएनएन के रूप में) एक अलग लेख में चर्चा की गई है ।

ग्रन्थसूची

1. आर। गिरिशिक, जे। डोनह्यू, टी। डेरेल और जे। मलिक। "सटीक वस्तु पहचान और शब्दार्थ विभाजन के लिए समृद्ध विशेषता पदानुक्रम।" CVPR में, 2014. arXiv: 1311.2524

2. आर। गिरिशिक, जे। डोनह्यू, टी। डेरेल और जे। मलिक। "सटीक वस्तु का पता लगाने और विभाजन के लिए क्षेत्र-आधारित दृढ़ नेटवर्क।" TPAMI, 2015

द्वारा पोस्ट किया गया: सर्गेई मिखाइलिन, मशीन लर्निंग विशेषज्ञ, जेट इन्फोसिस्टम्स