التاليالدليل التالي
تقديرات أضرار المركبة المستندة إلى الصور بالذكاء الاصطناعي
الذكاء الاصطناعي البصري
دليل الذكاء الاصطناعي المرئي
شبكات CNN على أساس المنطقة
تكتشف شبكات CNN القائمة على المنطقة الكائنات عن طريق توليد مناطق مرشحة وتصنيفها أو تحسينها.
استمع إلى هذا الدليلرواه الذكاء الاصطناعي · ~2 min
في هذه الصفحةقراءة لمدة دقيقتين
نظرة عامة
تطورت العائلة من معالجة CNN المتكررة لكل منطقة نحو ميزات مشتركة واقتراحات متعلمة.
الغوص العميق
قدمت R-CNN خط أنابيب يطبق CNN على كل منطقة مرشحة. تحسب Fast R-CNN خريطة ميزات صورة مشتركة وتجمع تمثيل ميزات لكل منطقة. تستبدل Faster R-CNN البحث الانتقائي الخارجي بشبكة اقتراح المناطق المتعلمة. يوسع Mask R-CNN Faster R-CNN بفرع تنبؤ قناع موازٍ. تقارير الأوراق النتائج على مجموعات البيانات والإعدادات الخاصة بها؛ لا ينبغي تعميم مقارنات السرعة أو الدقة عبر التطبيقات. يجمع هدف Mask R-CNN متعدد المهام بين التصنيف، وانحدار الصناديق، وخسائر القناع. كما يقدم RoIAlign لتجنب كوانتة الإحداثيات في تجميع RoI، محافظًا على المحاذاة المكانية لتنبؤ القناع.
التنفيذ في العالم الحقيقي
يقترح نموذج Faster R-CNN صناديق مرشحة ويقوم بتحسينها.
يتنبأ Mask R-CNN بأقنعة الكائنات بالإضافة إلى الصناديق.
يقارن المطور بين الكواشف على مجموعة بيانات واحدة وإعدادات الأجهزة.
يستخدم الباحث تجميع RoI أو المحاذاة لتحويل ميزات المنطقة إلى تمثيل ثابت.
مستقبل شبكات CNN القائمة على المنطقة
تستمر الكواشف ذات المرحلة الواحدة، المرحلتين، والمعتمدة على المحولات في التطور. اختر بناءً على متطلبات المهمة المقاسة بدلاً من افتراض ترتيب عالمي للدقة أو الكمون.
وضعها موضع التنفيذ
لماذا يهم
- السرعة والحجم. يمكن للذكاء الاصطناعي المرئي أتمتة مهام الفحص والكشف ووضع العلامات على نطاق واسع.
- خيارات البناء. يمكن للفرق الإبداعية إنشاء نماذج أولية للمفاهيم بشكل أسرع مع عدد أقل من المراجعات اليدوية.
- الفريق وسير العمل. يمكن أن تستخدم العمليات إشارات الصور والفيديو التي كان من الصعب معالجتها في السابق.
احترس من
- يمكن أن تصبح حقوق الصور والموافقة مخاطر قانونية إذا كان المصدر غير واضح.
- يمكن أن يختلف أداء النموذج عبر الإضاءة والتركيبة السكانية والبيئات.
- قد تمر الإيجابيات الكاذبة دون أن يلاحظها أحد ما لم تتم مراقبة عتبات الثقة.
الخطوات التالية
- تحديد معايير القبول لتكاليف الدقة والاستدعاء والخطأ.
- اختبار مع البيانات التي تتوافق مع ظروف الإنتاج الحقيقية.
- أضف مراجعة بشرية للتنبؤات منخفضة الثقة أو عالية التأثير.
- تتبع انحراف النموذج وإعادة التحقق من صحته بعد تغيير الكاميرا أو مجموعة البيانات.
استمر في الاستكشاف
رسالة إخبارية مجانية
احصل على الإحاطة اليومية لمنظمة العفو الدولية
ثلاث قصص تم التحقق منها بواسطة الذكاء الاصطناعي كل صباح من أيام الأسبوع، مكتوبة باللغة الإنجليزية البسيطة. مجاني للأبد، بدون إعلانات.
بريد إلكتروني واحد كل يوم من أيام الأسبوع. إلغاء الاشتراك بنقرة واحدة. نحن لا نبيع أو نشارك عنوانك أبدًا.
اختبر نفسك
خذ اختبار Region-Based CNNs
تعليقات فورية على كل إجابة، وشهادة قابلة للمشاركة مع معرف يمكن التحقق منه بمجرد اجتياز الدورة التدريبية.
دعم تعليم الذكاء الاصطناعي المجاني. AI Understanding هي منظمة 501(c)(3) غير ربحية - لا إعلانات ولا نظام حظر الاشتراك غير المدفوع على الإطلاق. قم بالتبرع
الأسئلة المتداولة
ما هو Region-Based CNNs؟
تكتشف شبكات CNN القائمة على المنطقة الكائنات عن طريق توليد مناطق مرشحة وتصنيفها أو تحسينها. تطورت العائلة من معالجة CNN المتكررة لكل منطقة نحو ميزات مشتركة واقتراحات متعلمة.
ما هي الفكرة الأساسية لشبكة CNN الإقليمية؟
تقترح شبكات R-CNN المناطق التي قد تحتوي على كائنات، ثم تقوم بتشغيل CNN لتصنيف كل منطقة وتحسين المربع المحيط بها.
لماذا كان R-CNN الأصلي مكلفًا حسابيًا؟
يعالج R-CNN الأصلي كل اقتراح منطقة بشكل مستقل عبر CNN.
ما الذي قدمته Faster R-CNN ليحل محل البحث الانتقائي؟
قدمت شبكة Faster R-CNN شبكة مقترحات المنطقة المستفادة، مما يجعل إنشاء المقترحات جزءًا من الشبكة القابلة للتدريب وأسرع بكثير.
ما الذي يحققه تجميع عائد الاستثمار؟
يقوم تجميع العائد على الاستثمار باستخراج شبكات الميزات ذات الحجم الثابت من خريطة ميزات مشتركة واحدة لكل منطقة، مما يؤدي إلى تجنب إعادة الحساب وتسريع الاكتشاف.
ما هي القدرة الإضافية التي يضيفها Mask R-CNN؟
يعمل قناع R-CNN على توسيع شبكة R-CNN الأسرع من خلال التنبؤ بقناع دقيق على مستوى البكسل لكل كائن، مما يتيح تجزئة المثيلات.
استمر في التعلم
أدلة ذات صلة
تم اختيار المزيد من الأدلة لهذا الموضوع