เฮ้ ในฐานะผู้จัดหาหัวหน้าผู้ประกาศข่าวฉันใช้เวลาดำน้ำในโลกของการตรวจจับวัตถุ คำถามหนึ่งที่มักจะปรากฏขึ้นคืออะไร: อะไรคือความแตกต่างระหว่างหัวยึดในการตรวจจับวัตถุชั้นเดียวและหลายคลาส? เรามาทำลายมันลงกันเถอะ
ทำความเข้าใจพื้นฐานของหัวสมอเรือ
ก่อนอื่นสำหรับผู้ที่อาจยังใหม่กับสิ่งนี้หัวยึดเป็นส่วนสำคัญในรูปแบบการตรวจจับวัตถุ มันรับผิดชอบในการสร้างและปรับแต่งกล่องขอบเขตรอบวัตถุในภาพหรือวิดีโอ เมื่อเราพูดคุยเกี่ยวกับการตรวจจับวัตถุชั้นเดียว - คลาสและหลายคลาสบทบาทของหัวยึดจะเปลี่ยนไปในบางวิธีที่สำคัญ
การตรวจจับวัตถุชั้นเดียว - คลาส
ในการตรวจจับวัตถุชั้นเดียวเป้าหมายตรงไปตรงมา: ค้นหาอินสแตนซ์ทั้งหมดของวัตถุประเภทหนึ่งในภาพ ตัวอย่างเช่นคุณอาจกำลังมองหารถยนต์ทุกคันในภาพถ่ายลานจอดรถ หัวหน้าผู้ประกาศข่าวในสถานการณ์นี้มีงานที่ค่อนข้างง่าย
- งานการจำแนกประเภทง่ายขึ้น: เนื่องจากมีเพียงคลาสเดียวที่ตรวจจับได้หัวยึดไม่จำเป็นต้องแยกแยะระหว่างวัตถุประเภทต่าง ๆ เพียงแค่ต้องพิจารณาว่าภูมิภาคในภาพมีวัตถุเป้าหมายหรือไม่ ซึ่งหมายความว่าเลเยอร์การจำแนกประเภทในหัวยึดอาจมีความซับซ้อนน้อยกว่า ตัวอย่างเช่นมันอาจใช้ตัวจําแนกไบนารีแบบง่าย ๆ เพื่อพูดว่า "ใช่มีรถที่นี่" หรือ "ไม่ไม่มี"
- มุ่งเน้นไปที่การแปล: ด้วยส่วนการจำแนกประเภทที่มีอาการปวดหัวน้อยลงจึงสามารถให้ความสนใจได้มากขึ้นเพื่อให้ได้การแปลวัตถุอย่างแม่นยำ หัวสมอสามารถปรับตำแหน่งขนาดและรูปร่างของกล่องขอบเขตรอบวัตถุที่ตรวจพบ นี่เป็นสิ่งสำคัญมากเพราะในการตรวจจับชั้นเรียนเดียวการได้รับตำแหน่งที่แน่นอนของแต่ละวัตถุมักเป็นสิ่งสำคัญอันดับแรก
สมมติว่าคุณกำลังใช้หัว Anchor ของเราสำหรับการตรวจจับชั้นเดียว - คลาสของเจาะแกนสำหรับการขุดเจาะ- หัวยึดสามารถระบุแท่งเจาะทั้งหมดในภาพได้อย่างรวดเร็วและวาดกล่องที่มีขอบเขตรอบตัวพวกเขาอย่างแม่นยำช่วยให้คุณติดตามตำแหน่งของพวกเขาในสถานที่ก่อสร้าง
การตรวจจับวัตถุหลายชั้น
ตอนนี้การตรวจจับวัตถุหลายคลาสเป็น ballgame ที่แตกต่างกันโดยสิ้นเชิง ที่นี่คุณกำลังพยายามค้นหาและจำแนกวัตถุหลายประเภทในภาพเดียวกัน ตัวอย่างเช่นในที่เกิดเหตุคุณอาจต้องการตรวจจับรถยนต์คนเดินเท้าจักรยานและสัญญาณจราจรทั้งหมดในครั้งเดียว
- การจำแนกประเภทที่ซับซ้อน: หัวยึดต้องจัดการงานการจำแนกที่ซับซ้อนมากขึ้น มันจำเป็นต้องแยกแยะระหว่างคลาสต่าง ๆ ของวัตถุ สิ่งนี้มักจะเกี่ยวข้องกับเลเยอร์การจำแนกประเภทที่ซับซ้อนมากขึ้นเช่นตัวจําแนก softmax ซึ่งสามารถส่งออกความน่าจะเป็นของวัตถุที่เป็นของแต่ละคลาสหลายคลาส ตัวอย่างเช่นเมื่อดูที่ภูมิภาคในภาพจะต้องตัดสินใจว่ามันเป็นรถยนต์คนเดินเท้าหรืออย่างอื่น
- ปรับสมดุลการแปลและการจำแนกประเภท: ในการตรวจจับแบบหลายชั้นหัวสมอไม่สามารถมุ่งเน้นไปที่การแปล มันจะต้องสร้างความสมดุลให้กับการจำแนกวัตถุอย่างแม่นยำด้วยการ จำกัด วงไว้อย่างแม่นยำ บางครั้งการจำแนกประเภทอาจนำไปสู่กล่องขอบเขตที่ไม่ถูกต้องและในทางกลับกัน ดังนั้นการออกแบบหัวยึดจะต้องระมัดระวังมากขึ้นในการจัดการการค้านี้ - ปิด
ลองนึกภาพการใช้หัวสมอของเราเพื่อตรวจจับชิ้นส่วนเครื่องจักรก่อสร้างที่แตกต่างกันเช่นก้านสว่านเชื่อมต่อเพลาและการขุดเจาะแกนหมุนโรตารี่ในภาพการประชุมเชิงปฏิบัติการ หัวสมอไม่เพียง แต่หาชิ้นส่วนเหล่านี้ แต่ยังติดฉลากอย่างถูกต้องซึ่งเป็นสิ่งที่
ความแตกต่างทางเทคนิคในการออกแบบหัวยึด
ความแตกต่างระหว่างการตรวจจับวัตถุชั้นเดียวและคลาสหลายชั้นยังแปลเป็นความแตกต่างทางเทคนิคในการออกแบบหัวยึด
- จำนวนช่องสัญญาณเอาต์พุต: ในการตรวจจับชั้นเดียว - การจัดประเภทเอาต์พุตของหัวยึดโดยทั่วไปจะมีช่องทางน้อยกว่า ตัวอย่างเช่นตัวจําแนกไบนารีอาจมีช่องสัญญาณเอาต์พุตเพียงช่องเดียว (แสดงถึงความน่าจะเป็นของการมีอยู่ของคลาสเป้าหมาย) ในการตรวจจับแบบหลายชั้นจำนวนช่องสัญญาณเอาต์พุตเท่ากับจำนวนคลาสรวมถึงหนึ่งสำหรับคลาสพื้นหลัง ดังนั้นหากคุณตรวจพบ 5 คลาสเอาต์พุตการจำแนกจะมี 6 ช่อง
- การสร้างสมอเรือ: วิธีการสร้างจุดยึดอาจแตกต่างกันไป ในการตรวจจับชั้นเดียวจุดยึดสามารถปรับได้โดยเฉพาะสำหรับลักษณะของวัตถุเป้าหมาย ตัวอย่างเช่นหากคุณตรวจพบวัตถุขนาดเล็กที่มีขนาดเล็กจุดยึดสามารถออกแบบให้มีขนาดเล็กและรูปร่างเป็นวงกลม ในการตรวจจับแบบหลายชั้นจุดยึดจำเป็นต้องครอบคลุมขนาดวัตถุและรูปร่างที่กว้างขึ้นเพื่อรองรับคลาสที่แตกต่างกัน
ตัวชี้วัดประสิทธิภาพ
ประสิทธิภาพของหัวสมอถูกวัดแตกต่างกันในการตรวจจับวัตถุชั้นเดียวและหลายคลาส
- ตัวชี้วัดระดับเดียว: ในการตรวจจับระดับเดียว - ตัวชี้วัดทั่วไปรวมถึงความแม่นยำการเรียกคืนและคะแนน F1 - ความแม่นยำวัดสัดส่วนของวัตถุที่ตรวจพบอย่างถูกต้องจากวัตถุทั้งหมดที่โมเดลอ้างว่าตรวจจับ การเรียกคืนมาตรการสัดส่วนของวัตถุที่ตรวจพบอย่างถูกต้องจากวัตถุจริงทั้งหมดในภาพ คะแนน F1 - เป็นการรวมกันของความแม่นยำและการเรียกคืน
- ตัวชี้วัดแบบหลายชั้น: นอกเหนือจากตัวชี้วัดข้างต้นการตรวจจับแบบหลายชั้นยังใช้ตัวชี้วัดเช่นค่าเฉลี่ยความแม่นยำเฉลี่ย (แผนที่) แผนที่คำนวณความแม่นยำเฉลี่ยสำหรับแต่ละคลาสแล้วใช้ค่าเฉลี่ยในทุกคลาส สิ่งนี้ให้การวัดที่ครอบคลุมมากขึ้นเกี่ยวกับประสิทธิภาพของโมเดลในการตรวจจับหลายคลาส
แอปพลิเคชั่นจริง - โลก
ความแตกต่างระหว่างหัวเดี่ยวและมัลติ - คลาส Anchor Head ยังส่งผลกระทบต่อแอปพลิเคชันของโลกจริง
- แอปพลิเคชันชั้นเดียว - คลาส: การตรวจจับวัตถุชั้นเดียว - ชั้นเรียนเหมาะสำหรับงานที่คุณสนใจวัตถุประเภทหนึ่งเท่านั้น ตัวอย่างเช่นในการควบคุมคุณภาพในโรงงานผลิตคุณอาจใช้การตรวจจับชั้นเดียวเพื่อค้นหาผลิตภัณฑ์ที่มีข้อบกพร่องประเภทใดประเภทหนึ่ง หัวยึดของเราสามารถปรับแต่งเพื่อตรวจจับรายการที่มีข้อบกพร่องเหล่านี้อย่างถูกต้องช่วยให้คุณปรับปรุงคุณภาพการผลิตของคุณ
- แอปพลิเคชันหลายคลาส: การตรวจจับวัตถุหลายชั้นถูกใช้ในสถานการณ์ที่ซับซ้อนมากขึ้นเช่นรถขับเคลื่อนด้วยตนเอง รถขับด้วยตนเองต้องตรวจจับคนเดินเท้ายานพาหนะอื่น ๆ สัญญาณจราจรและอื่น ๆ หัวสมอของเราสามารถรวมเข้ากับระบบการมองเห็นของรถยนต์เพื่อจัดการงานตรวจจับแบบหลายชั้นนี้ได้อย่างมีประสิทธิภาพทำให้รถปลอดภัยบนท้องถนน
บทสรุป
โดยสรุปความแตกต่างระหว่างหัวยึดในชั้นเดียว - คลาสและการตรวจจับวัตถุหลายชั้นมีความสำคัญ จากงานการจำแนกประเภทไปจนถึงการออกแบบหัวยึดและตัวชี้วัดประสิทธิภาพแต่ละด้านจะได้รับการปรับให้เหมาะกับข้อกำหนดเฉพาะของการตรวจจับคลาสเดี่ยวหรือหลายชั้น
หากคุณอยู่ในตลาดสำหรับหัวยึดสำหรับความต้องการการตรวจจับวัตถุของคุณไม่ว่าจะเป็นสำหรับการตรวจจับระดับเดียว - คลาสหรือหลาย - เรามีคุณครอบคลุม หัว Anchor ของเราได้รับการออกแบบด้วยเทคโนโลยีล่าสุดเพื่อให้มั่นใจถึงประสิทธิภาพและความแม่นยำสูง หากคุณสนใจที่จะเรียนรู้เพิ่มเติมหรือเริ่มการอภิปรายการจัดซื้อจัดจ้างอย่าลังเลที่จะเข้าถึง เรายินดีที่จะช่วยคุณค้นหาทางออกที่สมบูรณ์แบบสำหรับโครงการของคุณ
การอ้างอิง
- Girshick, R. (2015) Fast R - CNN การดำเนินการประชุมนานาชาติ IEEE เรื่องวิสัยทัศน์คอมพิวเตอร์
- Redmon, J. , & Farhadi, A. (2017) YOLO9000: ดีกว่าเร็วขึ้นแข็งแกร่งขึ้น การดำเนินการของการประชุม IEEE เกี่ยวกับการมองเห็นคอมพิวเตอร์และการจดจำรูปแบบ
- Ren, S. , He, K. , Girshick, R. , & Sun, J. (2015) เร็วกว่า R - CNN: ไปสู่การตรวจจับวัตถุจริง - เวลาด้วยเครือข่ายข้อเสนอภูมิภาค ความก้าวหน้าในระบบการประมวลผลข้อมูลระบบประสาท