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 та 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 для кількох об'єктів. Модель для виявлення об'єктів повинна передбачати обмежувальні прямокутники навколо кожного об'єкта та правильно їх класифікувати. Це робить задачу виявлення об'єктів складнішою та більш ресурсоємною порівняно з простою класифікацією.

Метод скользячого вікна та його обмеження

Традиційним методом виявлення об'єктів є підхід скользячого вікна, коли вікно фіксованого розміру переміщується по зображенню для класифікації кожної його частини. Незважаючи на простоту ідеї, цей метод має кілька недоліків:

• Висока обчислювальна складність: необхідно сканувати зображення на різних масштабах і позиціях, що призводить до значних витрат часу на обробку;

• Жорстко фіксовані розміри вікна: об'єкти відрізняються за розміром і пропорціями, тому фіксовані вікна неефективні;

• Надлишкові обчислення: перекривання вікон призводить до багаторазової обробки одних і тих самих ділянок зображення, що марнує ресурси.

Через ці неефективності метод скользячого вікна майже повністю був витіснений сучасними методами виявлення об'єктів на основі глибокого навчання.

Методи на основі регіонів: Selective Search і Region Proposal Networks (RPN)

Для підвищення ефективності методи на основі регіонів пропонують регіони інтересу (RoI) замість сканування всього зображення. Основні техніки:

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

• Region proposal networks (RPNs): використовуються у Faster R-CNN, RPN застосовує 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 революціонізувало детекцію об'єктів, впровадивши згорткові нейронні мережі (CNN) у процеси виявлення. Деякі з перших моделей:

• R-CNN (Regions with CNNs): цей метод застосовує CNN до кожної пропозиції регіону, згенерованої selective search. 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 pooling для вилучення ознак для класифікації, прискорюючи детекцію;

• Faster R-CNN: впроваджує region proposal networks (RPNs) замість selective search, що робить детекцію об'єктів швидшою і точнішою завдяки інтеграції генерації пропозицій регіонів у саму нейронну мережу.

Детекція об'єктів базується на класифікації та локалізації, дозволяючи моделям розпізнавати кілька об'єктів на одному зображенні. Традиційні методи, такі як ковзні вікна, були замінені ефективнішими регіон-орієнтованими підходами, такими як R-CNN та його наступники. Faster R-CNN із використанням region proposal networks є значним кроком до реального часу та високої точності детекції об'єктів. Надалі більш сучасні техніки, такі як YOLO та SSD, ще більше вдосконалять швидкість і ефективність детекції.