c6463675e6
|
||
|---|---|---|
| .. | ||
| lab | ||
| ObjectDetection.ipynb | ||
| README.md | ||
README.md
Pagtuklas ng Objekto
Ang mga modelo ng image classification na tinalakay natin hanggang ngayon ay tumatanggap ng isang imahe at nagbibigay ng resulta sa anyo ng kategorya, tulad ng klase na 'number' sa problema ng MNIST. Gayunpaman, sa maraming pagkakataon, hindi lang natin nais malaman na ang isang larawan ay naglalaman ng mga bagay - nais din nating matukoy ang eksaktong lokasyon ng mga ito. Ito mismo ang layunin ng pagtuklas ng objekto.
Pre-lecture quiz
Larawan mula sa YOLO v2 web site
Isang Simpleng Paraan sa Pagtuklas ng Objekto
Kung nais nating hanapin ang isang pusa sa isang larawan, isang napaka-simpleng paraan ng pagtuklas ng objekto ay ang sumusunod:
- Hatiin ang larawan sa maraming maliliit na bahagi.
- Patakbuhin ang image classification sa bawat bahagi.
- Ang mga bahagi na may sapat na mataas na activation ay maaaring ituring na naglalaman ng hinahanap na objekto.
Larawan mula sa Exercise Notebook
Gayunpaman, ang paraang ito ay malayo sa pagiging perpekto, dahil hindi nito kayang tukuyin nang eksakto ang bounding box ng objekto. Para sa mas eksaktong lokasyon, kailangan nating gumamit ng regression upang mahulaan ang mga koordinado ng bounding boxes - at para dito, kailangan natin ng mga partikular na dataset.
Regression para sa Pagtuklas ng Objekto
Ang blog post na ito ay nagbibigay ng mahusay na pagpapakilala sa pagtuklas ng mga hugis.
Mga Dataset para sa Pagtuklas ng Objekto
Maaaring makita mo ang mga sumusunod na dataset para sa gawaing ito:
- PASCAL VOC - 20 klase
- COCO - Common Objects in Context. 80 klase, mga bounding box at segmentation mask
Mga Sukatan para sa Pagtuklas ng Objekto
Intersection over Union
Habang madali lamang sukatin ang performance ng algorithm sa image classification, sa pagtuklas ng objekto kailangan nating sukatin ang parehong tamang klase at ang eksaktong lokasyon ng bounding box. Para sa huli, ginagamit natin ang tinatawag na Intersection over Union (IoU), na sumusukat kung gaano kahusay ang pag-overlap ng dalawang kahon (o dalawang arbitraryong lugar).
Figure 2 mula sa napakahusay na blog post na ito tungkol sa IoU
Ang ideya ay simple - hinahati natin ang lugar ng intersection ng dalawang hugis sa lugar ng kanilang union. Para sa dalawang magkaparehong lugar, ang IoU ay magiging 1, habang para sa mga lugar na walang overlap, ito ay magiging 0. Sa ibang kaso, ito ay magbabago mula 0 hanggang 1. Karaniwan, tinitingnan lamang natin ang mga bounding box na may IoU na higit sa isang tiyak na halaga.
Average Precision
Halimbawa, nais nating sukatin kung gaano kahusay natutukoy ang isang klase ng objekto C. Para sukatin ito, ginagamit natin ang Average Precision metrics, na kinakalkula sa ganitong paraan:
- Isaalang-alang ang Precision-Recall curve na nagpapakita ng katumpakan depende sa detection threshold value (mula 0 hanggang 1).
- Depende sa threshold, makakakita tayo ng mas marami o mas kaunting mga objekto sa larawan, at magkakaibang halaga ng precision at recall.
- Ang curve ay magmumukhang ganito:
Larawan mula sa NeuroWorkshop
Ang Average Precision para sa isang klase C ay ang lugar sa ilalim ng curve na ito. Mas partikular, ang Recall axis ay karaniwang hinahati sa 10 bahagi, at ang Precision ay ina-average sa lahat ng mga puntong iyon:
AP = {1\over11}\sum_{i=0}^{10}\mbox{Precision}(\mbox{Recall}={i\over10})
AP at IoU
Isasaalang-alang lamang natin ang mga detection na may IoU na higit sa isang tiyak na halaga. Halimbawa, sa PASCAL VOC dataset, karaniwang \mbox{IoU Threshold} = 0.5 ang ginagamit, habang sa COCO, ang AP ay sinusukat para sa iba't ibang halaga ng \mbox{IoU Threshold}.
Larawan mula sa NeuroWorkshop
Mean Average Precision - mAP
Ang pangunahing sukatan para sa Pagtuklas ng Objekto ay tinatawag na Mean Average Precision, o mAP. Ito ang halaga ng Average Precision, na ina-average sa lahat ng klase ng objekto, at kung minsan ay pati na rin sa \mbox{IoU Threshold}. Ang proseso ng pagkalkula ng mAP ay mas detalyadong ipinaliwanag
sa blog post na ito), at dito na may mga halimbawa ng code.
Iba't Ibang Paraan ng Pagtuklas ng Objekto
Mayroong dalawang pangunahing klase ng mga algorithm para sa pagtuklas ng objekto:
- Region Proposal Networks (R-CNN, Fast R-CNN, Faster R-CNN). Ang pangunahing ideya ay bumuo ng mga Regions of Interests (ROI) at patakbuhin ang CNN sa mga ito, hinahanap ang maximum activation. Medyo kahawig ito ng simpleng paraan, maliban na ang mga ROI ay nabubuo sa mas matalinong paraan. Isa sa mga pangunahing kahinaan ng mga ganitong pamamaraan ay mabagal ang mga ito, dahil kailangan ng maraming pass ng CNN classifier sa larawan.
- One-pass (YOLO, SSD, RetinaNet) methods. Sa mga arkitekturang ito, idinisenyo ang network upang mahulaan ang parehong klase at ROI sa isang pasada lamang.
R-CNN: Region-Based CNN
Ang R-CNN ay gumagamit ng Selective Search upang bumuo ng hierarchical structure ng mga ROI region, na pagkatapos ay pinoproseso ng CNN feature extractors at SVM-classifiers upang matukoy ang klase ng objekto, at linear regression upang matukoy ang mga koordinado ng bounding box. Opisyal na Papel
Larawan mula kay van de Sande et al. ICCV’11
Mga larawan mula sa blog na ito
F-RCNN - Fast R-CNN
Ang pamamaraang ito ay katulad ng R-CNN, ngunit ang mga rehiyon ay tinutukoy pagkatapos maiproseso ang mga convolution layers.
Larawan mula sa Opisyal na Papel, arXiv, 2015
Faster R-CNN
Ang pangunahing ideya ng pamamaraang ito ay gumamit ng neural network upang mahulaan ang mga ROI - ang tinatawag na Region Proposal Network. Papel, 2016
Larawan mula sa Opisyal na Papel
R-FCN: Region-Based Fully Convolutional Network
Mas mabilis pa ang algorithm na ito kaysa sa Faster R-CNN. Ang pangunahing ideya ay ang sumusunod:
- Kumuha ng mga feature gamit ang ResNet-101
- Ang mga feature ay pinoproseso ng Position-Sensitive Score Map. Ang bawat objekto mula sa
Cklase ay hinahati sak\times kna mga rehiyon, at sinasanay natin ang network upang mahulaan ang mga bahagi ng mga objekto. - Para sa bawat bahagi mula sa
k\times kna mga rehiyon, lahat ng network ay bumoboto para sa klase ng objekto, at ang klase ng objekto na may pinakamaraming boto ang pinipili.
Larawan mula sa Opisyal na Papel
YOLO - You Only Look Once
Ang YOLO ay isang real-time na one-pass algorithm. Ang pangunahing ideya ay ang sumusunod:
- Ang imahe ay hinahati sa
S\times Sna mga rehiyon. - Para sa bawat rehiyon, ang CNN ay hinuhulaan ang
nposibleng mga objekto, bounding box coordinates, at confidence=probability * IoU.
Larawan mula sa Opisyal na Papel
Iba Pang Mga Algorithm
- RetinaNet: Opisyal na Papel
- SSD (Single Shot Detector): Opisyal na Papel
✍️ Mga Ehersisyo: Pagtuklas ng Objekto
Ipagpatuloy ang iyong pag-aaral sa sumusunod na notebook:
Konklusyon
Sa araling ito, nagkaroon ka ng mabilisang pagtingin sa iba't ibang paraan kung paano maaaring maisagawa ang pagtuklas ng objekto!
🚀 Hamon
Basahin ang mga artikulo at notebook tungkol sa YOLO at subukan ang mga ito:
- Magandang blog post na naglalarawan ng YOLO
- Opisyal na site
- Yolo: Keras implementation, step-by-step notebook
- Yolo v2: Keras implementation, step-by-step notebook
Post-lecture quiz
Review at Pag-aaral sa Sarili
- Pagtuklas ng Objekto ni Nikhil Sardana
- Isang magandang paghahambing ng mga algorithm sa pagtuklas ng objekto
- Review ng Deep Learning Algorithms para sa Pagtuklas ng Objekto
- Isang Step-by-Step na Pagsusuri sa Mga Pangunahing Algorithm ng Pagtuklas ng Objekto
- Pagpapatupad ng Faster R-CNN sa Python para sa Pagtuklas ng Objekto
Assignment: Pagtuklas ng Objekto
Paunawa:
Ang dokumentong ito ay isinalin gamit ang AI translation service na Co-op Translator. Bagama't sinisikap naming maging tumpak, tandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa kanyang katutubong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na dulot ng paggamit ng pagsasaling ito.