CNN Berbasis Wilayah
CNN Berbasis Wilayah (R-CNN) adalah rangkaian pendeteksi objek yang pertama-tama mengajukan kandidat wilayah dalam gambar, kemudian menggunakan CNN untuk mengklasifikasikan dan mengelompokkan setiap objek secara tepat.
Ikhtisar
They turned image classification into full object detection, locating and labeling many objects at once.
Menyelam Lebih Dalam
Klasifikasi gambar menjawab 'apa yang ada di gambar ini?' tapi deteksi juga harus menjawab 'di mana, dan berapa banyak?' R-CNN asli (2014) menggunakan algoritme eksternal (Pencarian Selektif) untuk mengusulkan sekitar 2.000 wilayah, membengkokkan masing-masing wilayah ke ukuran tetap, dan menjalankan CNN di setiap wilayah, yang akurat namun sangat lambat. Fast R-CNN mempercepatnya dengan menjalankan CNN satu kali pada seluruh gambar dan menggabungkan fitur per wilayah (penggabungan RoI). R-CNN yang lebih cepat kemudian menggantikan Pencarian Selektif dengan Jaringan Proposal Wilayah (RPN) yang dipelajari, sehingga menjadikan keseluruhan saluran pipa end-to-end dan hampir real-time. Mask R-CNN memperluasnya lebih jauh untuk menghasilkan masker tingkat piksel untuk setiap objek yang terdeteksi.
Wawasan Teknis
Lompatan efisiensi utama adalah pengumpulan RoI: daripada menjalankan kembali CNN pada setiap kotak yang diusulkan, jaringan menghitung satu peta fitur bersama untuk gambar tersebut, kemudian memotong dan mengubah ukuran fitur di dalam setiap wilayah yang diinginkan menjadi grid tetap. RPN R-CNN yang lebih cepat meluncur di atas peta fitur yang memprediksi skor 'objektivitas' dan penyesuaian kotak untuk kotak jangkar yang telah ditetapkan sebelumnya dengan berbagai ukuran dan rasio aspek, menghasilkan proposal hampir gratis.
Dampak Strategis
Kecepatan dan skala
Visual AI dapat mengotomatiskan tugas inspeksi, deteksi, dan penandaan dalam skala besar.
Build choices
Tim kreatif dapat membuat prototipe konsep lebih cepat dengan lebih sedikit revisi manual.
Team and workflow
Pengoperasiannya dapat menggunakan sinyal gambar dan video yang sebelumnya sulit diproses.
Masa Depan CNN Berbasis Wilayah
Detektor R-CNN dua tahap tetap kuat dalam hal akurasi yang paling penting, namun detektor satu tahap (YOLO, SSD) dan detektor berbasis Transformer seperti DETR, yang mengabaikan jangkar dan proposal yang dirancang secara manual, semakin populer karena kecepatan dan kesederhanaannya. Trennya adalah deteksi end-to-end, bebas jangkar, dan berbasis kueri. Namun, gagasan inti silsilah R-CNN, fitur bersama, dan penalaran tingkat wilayah, terus memengaruhi segmentasi, video, dan sistem deteksi 3D.
Implementasi Dunia Nyata
Mendeteksi dan menghitung produk di rak ritel untuk manajemen inventaris
Contoh segmentasi sel atau organ dalam pemindaian medis menggunakan Mask R-CNN
Mengidentifikasi cacat dan lokasinya pada jalur produksi pabrik
Menemukan beberapa kendaraan dan pejalan kaki dalam umpan kamera yang mengemudi secara otonom
Risiko & Pagar Pembatas
Hak citra dan persetujuan dapat menjadi risiko hukum jika asal usulnya tidak jelas.
Performa model dapat bervariasi berdasarkan pencahayaan, demografi, dan lingkungan.
Positif palsu mungkin tidak diketahui kecuali ambang batas keyakinan dipantau.
Peta Jalan Implementasi
Tentukan kriteria penerimaan untuk biaya presisi, penarikan kembali, dan kesalahan.
Uji dengan data yang sesuai dengan kondisi produksi sebenarnya.
Tambahkan tinjauan manusia untuk prediksi dengan tingkat keyakinan rendah atau dampak tinggi.
Lacak penyimpangan model dan validasi ulang setelah kamera atau kumpulan data berubah.
Terus Menjelajah
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
Next guide
Model Generatif Berbasis Skor
Pertanyaan yang sering diajukan
What is Region-Based CNNs?
CNN Berbasis Wilayah (R-CNN) adalah rangkaian pendeteksi objek yang pertama-tama mengajukan kandidat wilayah dalam gambar, kemudian menggunakan CNN untuk mengklasifikasikan dan mengelompokkan setiap objek secara tepat. Mereka mengubah klasifikasi gambar menjadi deteksi objek penuh, menemukan lokasi dan memberi label pada banyak objek sekaligus.
Apa ide inti dari CNN berbasis wilayah?
R-CNN mengusulkan wilayah yang mungkin berisi objek, lalu menjalankan CNN untuk mengklasifikasikan setiap wilayah dan menyempurnakan kotak pembatasnya.
Mengapa R-CNN (2014) asli lambat?
R-CNN yang asli menjalankan CNN secara independen pada sekitar 2.000 proposal wilayah per gambar, yang mana hal ini sangat mahal secara komputasi.
Apa yang diperkenalkan Faster R-CNN untuk menggantikan Pencarian Selektif?
R-CNN yang lebih cepat memperkenalkan Jaringan Proposal Wilayah yang dipelajari, menjadikan pembuatan proposal sebagai bagian dari jaringan yang dapat dilatih dan jauh lebih cepat.
Apa yang dicapai oleh pengumpulan RoI?
Pengumpulan RoI mengekstrak kisi fitur berukuran tetap dari satu peta fitur bersama per wilayah, menghindari penghitungan ulang dan mempercepat deteksi.
Kemampuan ekstra apa yang ditambahkan oleh Mask R-CNN?
Mask R-CNN memperluas R-CNN yang Lebih Cepat dengan memprediksi masker tingkat piksel yang tepat untuk setiap objek, sehingga memungkinkan segmentasi instans.