Преглед
DETR (DEtection TRansformer) преформулира откриването на обект като проблем с директно предсказване на набор, решен с трансформатор, премахвайки ръчно проектирани стъпки като анкерни кутии и не-максимално потискане. Има значение, защото даде на откриването изчистен тръбопровод от край до край, който вдъхнови вълна от модели на зрение, базирани на трансформатори.
DETR Transformer Detection принадлежи към работни потоци за компютърно зрение, които интерпретират или генерират визуална медия за анализ, операции и творчество.
Дълбоко гмуркане
Въведен от Facebook AI през 2020 г., DETR комбинира CNN гръбнак с трансформаторен енкодер-декодер. CNN извлича характеристики на изображението; енкодерът смесва глобалния контекст в цялото изображение; и декодерът взема фиксиран набор от научени „заявки за обекти“ и превръща всеки или в открит обект (клас плюс ограничителна кутия), или в резултат „без обект“. Ключовата новост е двустранното съпоставяне: по време на обучение унгарски алгоритъм намира присвояване едно към едно между прогнози и обекти с основна истина, така че моделът се научава да извежда директно уникална кутия за обект. Това елиминира не-максималното потискане и настройката на котвата. Компромисите бяха бавна конвергенция и по-слаба точност на малки обекти, на които се обърнаха последващи действия като Deformable DETR.
Техническа информация
Определящият механизъм на DETR е базираната на набор загуба с унгарско съвпадение. Вместо да отбелязва хиляди закотвени полета, той излъчва фиксиран брой прогнози (често 100 заявки за обекти) и ги съпоставя едно към едно с истински обекти, санкционирайки както грешките в класификацията, така и грешките в кутията на съвпадащите двойки и изтласквайки несъвпадащите заявки към „няма обект“. Тъй като съпоставянето е едно към едно, дублиращите се откривания се потискат от дизайна, а не от отделна стъпка за последваща обработка.
Овладяване на DETR Transformer Detection
DETR (DEtection TRansformer) преформулира откриването на обект като проблем с директно предсказване на набор, решен с трансформатор, премахвайки ръчно проектирани стъпки като анкерни кутии и не-максимално потискане. Има значение, защото даде на откриването изчистен тръбопровод от край до край, който вдъхнови вълна от модели на зрение, базирани на трансформатори. DETR Transformer Detection принадлежи към работни потоци за компютърно зрение, които интерпретират или генерират визуална медия за анализ, операции и творчество. За да изградите дълбоко разбиране, третирайте DETR Transformer Detection като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика силните екипи, използващи DETR Transformer Detection, балансират точността с оперативните реалности като качество на данните, вариация на осветлението и последователност на етикетите. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Visual AI може да автоматизира задачи за проверка, откриване и маркиране в мащаб. В същото време правата върху изображението и съгласието могат да се превърнат в правни рискове, ако произходът е неясен. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Visual AI може да автоматизира задачи за проверка, откриване и маркиране в мащаб.
Visual AI може да автоматизира задачи за проверка, откриване и маркиране в мащаб. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Творческите екипи могат да създават прототипи на концепции по-бързо с по-малко ръчни ревизии.
Творческите екипи могат да създават прототипи на концепции по-бързо с по-малко ръчни ревизии. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Операциите могат да използват изображения и видео сигнали, които преди са били трудни за обработка.
Операциите могат да използват изображения и видео сигнали, които преди са били трудни за обработка. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Откриване и боксиране на пешеходци и превозни средства в набори от данни за изследване на автономно шофиране
Захранване на паноптична сегментация, когато се разшири до предсказване на маска на пиксел
Служи като основна архитектура за детектори с отворен речник и заземяване
Намиране на обекти в изображения на рафтове за търговия на дребно без настройка на размерите на котва за набор от данни
Модели на изпълнение
DETR Transformer Detection на практика
Откриване и боксиране на пешеходци и превозни средства в набори от данни за изследване на автономно шофиране.
Откриване и боксиране на пешеходци и превозни средства в изследователски набори от данни за автономно шофиране Екипите обикновено получават по-добри резултати, когато определят предварително прагове за качество, поддържат човешка пътека за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
DETR Transformer Detection на практика
Захранване на паноптична сегментация, когато се разшири до предсказване на маска на пиксел.
Захранване на паноптична сегментация, когато се разшири до предсказване на маска на пиксел Екипите обикновено получават по-добри резултати, когато дефинират праговете за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
DETR Transformer Detection на практика
Служи като основна архитектура за детектори с отворен речник и заземяване.
Служейки като основна архитектура за детектори с отворен речник и заземяване Екипите обикновено получават по-добри резултати, когато дефинират предварително прагове за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
DETR Transformer Detection на практика
Намиране на обекти в изображения на рафтове за търговия на дребно без настройка на размерите на котва за набор от данни.
Локализиране на обекти в изображения на рафтове за търговия на дребно без настройка на размерите на котва за набор от данни Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Правата върху изображението и съгласието могат да се превърнат в правни рискове, ако произходът е неясен.
Производителността на модела може да варира в зависимост от осветлението, демографските данни и средата.
Фалшивите положителни резултати могат да останат незабелязани, освен ако не се наблюдават праговете на достоверност.
Пътна карта за изпълнение
Определете критерии за приемане за прецизност, извикване и разходи за грешки.
Определете критерии за приемане за прецизност, извикване и разходи за грешки. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Тествайте с данни, които съответстват на реалните производствени условия.
Тествайте с данни, които съответстват на реалните производствени условия. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Добавете преглед от човек за прогнози с ниска степен на сигурност или с голямо въздействие.
Добавете преглед от човек за прогнози с ниска степен на сигурност или с голямо въздействие. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Проследявайте дрейфа на модела и проверявайте отново след промени в камерата или набора от данни.
Проследявайте дрейфа на модела и проверявайте отново след промени в камерата или набора от данни. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.