क्षेत्र-आधारित सीएनएन
क्षेत्र-आधारित सीएनएन (आर-सीएनएन) ऑब्जेक्ट डिटेक्टरों का एक परिवार है जो पहले एक छवि में उम्मीदवार क्षेत्रों का प्रस्ताव करता है, फिर प्रत्येक ऑब्जेक्ट को वर्गीकृत करने और सटीक रूप से बॉक्स करने के लिए सीएनएन का उपयोग करता है।
सिंहावलोकन
They turned image classification into full object detection, locating and labeling many objects at once.
गहरा गोता
छवि वर्गीकरण उत्तर देता है 'इस चित्र में क्या है?' लेकिन जांच में यह भी उत्तर देना होगा कि 'कहां, और कितने?' मूल आर-सीएनएन (2014) ने लगभग 2,000 क्षेत्रों को प्रस्तावित करने के लिए एक बाहरी एल्गोरिदम (चयनात्मक खोज) का उपयोग किया, प्रत्येक को एक निश्चित आकार में विकृत किया, और हर एक पर एक सीएनएन चलाया, जो सटीक लेकिन बहुत धीमा था। फास्ट आर-सीएनएन ने पूरी छवि पर एक बार सीएनएन चलाकर और प्रति क्षेत्र पूलिंग सुविधाओं (आरओआई पूलिंग) द्वारा इसे गति दी। तेज़ आर-सीएनएन ने चयनात्मक खोज को एक विद्वान क्षेत्र प्रस्ताव नेटवर्क (आरपीएन) के साथ बदल दिया, जिससे पूरी पाइपलाइन शुरू से अंत तक और वास्तविक समय के करीब हो गई। मास्क आर-सीएनएन ने प्रत्येक खोजे गए ऑब्जेक्ट के लिए पिक्सेल-स्तरीय मास्क को आउटपुट करने के लिए इसे आगे बढ़ाया।
तकनीकी अंतर्दृष्टि
मुख्य दक्षता छलांग आरओआई पूलिंग है: प्रत्येक प्रस्तावित बॉक्स पर सीएनएन को फिर से चलाने के बजाय, नेटवर्क छवि के लिए एक साझा फीचर मैप की गणना करता है, फिर एक निश्चित ग्रिड में रुचि के प्रत्येक क्षेत्र के अंदर सुविधाओं को क्रॉप और आकार देता है। तेज़ आर-सीएनएन का आरपीएन उस फीचर मैप पर स्लाइड करता है जो अलग-अलग आकार और पहलू अनुपात के प्रीसेट एंकर बॉक्स के लिए 'ऑब्जेक्टनेस' स्कोर और बॉक्स समायोजन की भविष्यवाणी करता है, जिससे लगभग मुफ्त में प्रस्ताव तैयार होते हैं।
सामरिक प्रभाव
गति और पैमाना
विज़ुअल एआई बड़े पैमाने पर निरीक्षण, पता लगाने और टैगिंग कार्यों को स्वचालित कर सकता है।
विकल्प बनाएं
रचनात्मक टीमें कम मैन्युअल संशोधनों के साथ तेजी से अवधारणाओं का प्रोटोटाइप बना सकती हैं।
टीम और वर्कफ़्लो
संचालन छवि और वीडियो संकेतों का उपयोग कर सकते हैं जिन्हें संसाधित करना पहले कठिन था।
क्षेत्र-आधारित सीएनएन का भविष्य
दो-चरण आर-सीएनएन डिटेक्टर मजबूत रहते हैं जहां सटीकता सबसे अधिक मायने रखती है, लेकिन एकल-चरण डिटेक्टर (YOLO, SSD) और DETR जैसे ट्रांसफार्मर-आधारित डिटेक्टर, जो हाथ से डिज़ाइन किए गए एंकर और प्रस्तावों को पूरी तरह से छोड़ देते हैं, गति और सादगी के लिए तेजी से लोकप्रिय हो रहे हैं। प्रवृत्ति शुरू से अंत तक, एंकर-मुक्त, क्वेरी-आधारित पहचान की ओर है। फिर भी, आर-सीएनएन वंश के मूल विचार, साझा विशेषताएं और क्षेत्र-स्तरीय तर्क, विभाजन, वीडियो और 3डी पहचान प्रणालियों को प्रभावित करना जारी रखते हैं।
वास्तविक विश्व कार्यान्वयन
इन्वेंट्री प्रबंधन के लिए खुदरा अलमारियों पर उत्पादों का पता लगाना और उनकी गिनती करना
मास्क आर-सीएनएन का उपयोग करके मेडिकल स्कैन में कोशिकाओं या अंगों का उदाहरण विभाजन
फ़ैक्टरी उत्पादन लाइन पर दोषों और उनके स्थानों की पहचान करना
ऑटोनॉमस-ड्राइविंग कैमरा फ़ीड में कई वाहनों और पैदल चलने वालों का पता लगाना
जोखिम और रेलिंग
यदि उत्पत्ति अस्पष्ट है तो छवि अधिकार और सहमति कानूनी जोखिम बन सकते हैं।
मॉडल का प्रदर्शन प्रकाश व्यवस्था, जनसांख्यिकी और वातावरण के अनुसार भिन्न हो सकता है।
जब तक आत्मविश्वास की सीमा की निगरानी नहीं की जाती, तब तक झूठी सकारात्मक बातों पर ध्यान नहीं दिया जा सकता।
कार्यान्वयन रोडमैप
सटीकता, रिकॉल और त्रुटि लागत के लिए स्वीकृति मानदंड परिभाषित करें।
वास्तविक उत्पादन स्थितियों से मेल खाने वाले डेटा के साथ परीक्षण करें।
कम-आत्मविश्वास या उच्च-प्रभाव वाली भविष्यवाणियों के लिए मानवीय समीक्षा जोड़ें।
कैमरा या डेटासेट में बदलाव के बाद मॉडल बहाव को ट्रैक करें और पुनः सत्यापित करें।
अन्वेषण करते रहें
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Region-Based CNNs quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
अगली गाइड
स्कोर-आधारित जनरेटिव मॉडल
अक्सर पूछे जाने वाले प्रश्नों
What is Region-Based CNNs?
क्षेत्र-आधारित सीएनएन (आर-सीएनएन) ऑब्जेक्ट डिटेक्टरों का एक परिवार है जो पहले एक छवि में उम्मीदवार क्षेत्रों का प्रस्ताव करता है, फिर प्रत्येक ऑब्जेक्ट को वर्गीकृत करने और सटीक रूप से बॉक्स करने के लिए सीएनएन का उपयोग करता है। उन्होंने छवि वर्गीकरण को पूर्ण वस्तु पहचान, एक साथ कई वस्तुओं का पता लगाने और लेबल करने में बदल दिया।
क्षेत्र-आधारित सीएनएन का मूल विचार क्या है?
आर-सीएनएन ऐसे क्षेत्रों का प्रस्ताव करते हैं जिनमें ऑब्जेक्ट हो सकते हैं, फिर प्रत्येक क्षेत्र को वर्गीकृत करने और उसके बाउंडिंग बॉक्स को परिष्कृत करने के लिए सीएनएन चलाते हैं।
मूल आर-सीएनएन (2014) धीमा क्यों था?
मूल आर-सीएनएन प्रति छवि लगभग 2,000 क्षेत्र प्रस्तावों पर स्वतंत्र रूप से सीएनएन चलाता था, जो कम्प्यूटेशनल रूप से बेहद महंगा था।
चयनात्मक खोज को बदलने के लिए फास्टर आर-सीएनएन ने क्या पेश किया?
तेज़ आर-सीएनएन ने एक सीखा हुआ क्षेत्र प्रस्ताव नेटवर्क पेश किया, जिससे प्रस्ताव निर्माण प्रशिक्षण योग्य नेटवर्क का हिस्सा बन गया और बहुत तेज़ हो गया।
RoI पूलिंग से क्या हासिल होता है?
आरओआई पूलिंग प्रति क्षेत्र एक साझा फीचर मैप से निश्चित आकार के फीचर ग्रिड को निकालती है, जिससे पुनर्गणना से बचा जा सकता है और पता लगाने में तेजी आ सकती है।
मास्क आर-सीएनएन क्या अतिरिक्त क्षमता जोड़ता है?
मास्क आर-सीएनएन प्रत्येक ऑब्जेक्ट के लिए एक सटीक पिक्सेल-स्तरीय मास्क की भविष्यवाणी करके, उदाहरण विभाजन को सक्षम करके तेज़ आर-सीएनएन का विस्तार करता है।