Виявлення Об'єктів

Виявлення об'єктів є важливим кроком уперед порівняно з класифікацією та локалізацією зображень. Якщо класифікація визначає, який об'єкт присутній на зображенні, а локалізація — де знаходиться один об'єкт, то виявлення об'єктів розширює ці можливості, дозволяючи розпізнавати кілька об'єктів і їх розташування на одному зображенні.

Чим відрізняється виявлення об'єктів?

На відміну від класифікації, яка призначає одне значення для всього зображення, виявлення об'єктів включає класифікацію та локалізацію кількох об'єктів. Модель для виявлення повинна передбачати обмежувальні рамки для кожного об'єкта та правильно їх класифікувати. Це робить задачу виявлення об'єктів складнішою та більш ресурсоємною порівняно з простою класифікацією.

Підхід ковзного вікна та його обмеження

Традиційним методом виявлення об'єктів є підхід ковзного вікна, коли вікно фіксованого розміру переміщується зображенням для класифікації кожної ділянки. Незважаючи на концептуальну простоту, цей метод має кілька обмежень:

• Висока обчислювальна складність: необхідність сканування зображення на різних масштабах і позиціях призводить до значних витрат часу на обробку;
• Жорсткі розміри вікна: об'єкти відрізняються за розміром і співвідношенням сторін, тому фіксовані вікна є неефективними;
• Надлишкові обчислення: перекривання вікон призводить до багаторазової обробки схожих ділянок зображення, що марнує ресурси.

Через ці неефективності метод ковзного вікна переважно був витіснений методами виявлення об'єктів на основі глибокого навчання.

Методи на основі регіонів: Selective Search і мережі пропозицій регіонів (RPN)

Для підвищення ефективності методи на основі регіонів пропонують регіони інтересу (RoI) замість сканування всього зображення. Два основних підходи:

• Selective search: традиційний метод, який групує схожі пікселі у пропозиції регіонів, зменшуючи кількість передбачень обмежувальних рамок. Хоча цей підхід ефективніший за ковзні вікна, він все ще повільний;

• Мережі пропозицій регіонів (RPN): використовуються у Faster R-CNN, RPN застосовують нейронну мережу для безпосереднього генерування потенційних регіонів об'єктів, що суттєво підвищує швидкість і точність у порівнянні з selective search.

Ранні підходи на основі глибокого навчання

Глибоке навчання здійснило революцію в задачі детекції об'єктів шляхом впровадження згорткових нейронних мереж (CNN) у конвеєри детекції. Деякі з піонерських моделей включають:

• R-CNN (Regions with CNNs): цей метод застосовує CNN до кожної регіональної пропозиції, згенерованої селективним пошуком. Хоча він значно точніший за традиційні методи, є обчислювально повільним через багаторазові обробки CNN;

• Fast R-CNN: удосконалення R-CNN, ця модель спочатку обробляє все зображення за допомогою CNN, а потім застосовує RoI-пулінг для вилучення ознак для класифікації, що прискорює детекцію;

• Faster R-CNN: впроваджує мережі регіональних пропозицій (RPN), які замінюють селективний пошук, роблячи детекцію об'єктів швидшою та точнішою завдяки інтеграції генерації регіональних пропозицій у саму нейронну мережу.

Детекція об'єктів базується на класифікації та локалізації, дозволяючи моделям розпізнавати кілька об'єктів на зображенні. Традиційні методи, такі як ковзні вікна, були замінені більш ефективними регіон-орієнтованими техніками, такими як R-CNN та його наступники. Faster R-CNN із використанням мереж регіональних пропозицій є значним кроком до реального часу та високої точності детекції об'єктів. У подальшому більш сучасні підходи, такі як YOLO та SSD, ще більше вдосконалять швидкість і ефективність детекції.