변형 가능한 컨볼루션
변형 가능한 컨볼루션을 사용하면 신경망이 샘플링 그리드를 구부려 단단한 사각형 창을 통과하도록 하는 대신 객체의 실제 모양을 따르게 됩니다.
개요
This makes models far better at handling odd shapes, scale changes, and geometric distortion.
심층 분석
일반적인 컨볼루션은 고정된 오프셋(각 위치의 중심에 있는 깔끔한 3x3 그리드)에서 픽셀을 샘플링합니다. 이는 텍스처에는 잘 작동하지만 객체가 기울어지거나 늘어나거나 모양이 이상한 경우에는 어려움을 겪습니다. 2017년 Microsoft 연구에서 Dai와 동료들이 소개한 변형 가능한 컨볼루션은 각 샘플링 지점에 작은 학습된 오프셋을 추가합니다. 네트워크는 입력을 보고 모든 그리드 위치에 대한 2D 이동을 예측하므로 수용 필드는 구부러진 가장자리를 감싸거나 기울어진 가지를 따라 휘어질 수 있습니다. 변형 가능한 RoI 풀링은 지역 기능에 동일한 아이디어를 적용합니다. 버전 2(2018)에는 포인트별 변조 가중치가 추가되어 레이어가 각 샘플을 약화시키거나 증폭시킬 수 있어 COCO와 같은 벤치마크에서 객체 감지 정확도가 향상되었습니다.
기술적 통찰력
오프셋은 병렬로 실행되는 추가 컨볼루션 레이어에 의해 생성되며 N 포인트 커널에 대해 2N 값(포인트당 하나의 dx, 하나의 dy)을 출력합니다. 예측된 오프셋은 소수이기 때문에 샘플링된 픽셀 값은 이중선형 보간법으로 계산되어 전체 작업을 미분 가능하게 유지합니다. 오프셋은 일반적인 역전파를 통해 엔드 투 엔드로 학습됩니다. 네트워크에서 볼 위치를 알려주는 별도의 감독이 없습니다. 오프셋 분기는 주요 기능 맵에 비해 가볍기 때문에 추가 비용은 적당합니다.
전략적 영향
속도와 규모
Visual AI는 대규모 검사, 감지 및 태그 지정 작업을 자동화할 수 있습니다.
빌드 선택
크리에이티브 팀은 수동 수정 횟수를 줄여 컨셉의 프로토타입을 더 빠르게 제작할 수 있습니다.
팀과 워크플로우
이전에는 처리하기 어려웠던 이미지 및 비디오 신호를 작업에 사용할 수 있습니다.
Deformable Convolution의 미래
Deformable attention은 최신 감지의 중추가 되었습니다. Deformable DETR은 학습된 샘플링 오프셋을 사용하여 변환기 attention을 희박하고 빠르게 만들어 원래 DETR에 비해 훈련 시간을 크게 단축합니다. 변형 원리가 비디오, 3D 포인트 클라우드, 비전 언어 모델로 계속 확산될 것으로 예상됩니다. 여기서 적응형 샘플링은 동작, 폐색 및 불규칙한 형상을 처리하는 데 도움이 됩니다. 불규칙한 메모리 액세스에 대한 하드웨어 지원이 향상됨에 따라 변형 가능한 연산자도 더 저렴해지고 엣지 장치에 더 광범위하게 배포되어야 합니다.
실제 구현
변형 가능한 레이어가 기차나 기린과 같이 길거나 회전한 물체의 정확도를 높이는 COCO의 물체 감지
모델이 곡선 차선 표시와 불규칙한 건물 윤곽을 추적하는 데 도움이 되는 거리 장면의 의미론적 분할
학습된 오프셋을 사용하여 트랜스포머 주의를 효율적으로 만드는 엔드투엔드 감지를 위한 변형 가능한 DETR
종양과 기관이 단단하지 않은 모양을 갖고 있어 고정 그리드로 잘 포착되지 않는 의료 영상
위험 및 가드레일
출처가 불분명할 경우 이미지 권리 및 동의는 법적 위험이 될 수 있습니다.
모델 성능은 조명, 인구통계, 환경에 따라 달라질 수 있습니다.
신뢰도 임계값을 모니터링하지 않으면 거짓양성이 발견되지 않을 수 있습니다.
구현 로드맵
정밀도, 재현율, 오류 비용에 대한 허용 기준을 정의합니다.
실제 생산 조건과 일치하는 데이터로 테스트합니다.
신뢰도가 낮거나 영향력이 큰 예측에 대해 인적 검토를 추가합니다.
모델 드리프트를 추적하고 카메라 또는 데이터 세트가 변경된 후 재검증합니다.
계속 탐색하세요
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 Deformable Convolutions 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
다음 가이드
깊이별 분리 가능한 컨볼루션
자주 묻는 질문
What is Deformable Convolutions?
변형 가능한 컨볼루션을 사용하면 신경망이 샘플링 그리드를 구부려 단단한 사각형 창을 통과하도록 하는 대신 객체의 실제 모양을 따르게 됩니다. 이를 통해 모델은 이상한 모양, 크기 변경 및 기하학적 왜곡을 훨씬 더 효과적으로 처리할 수 있습니다.
변형 가능한 컨볼루션은 표준 컨볼루션에 비해 무엇을 추가합니까?
변형 가능한 컨볼루션은 각 샘플링 위치에 대해 학습된 오프셋(dx, dy)을 예측하여 그리드가 개체 모양과 일치하도록 뒤틀립니다.
변형 가능한 컨볼루션의 샘플링 오프셋은 어떻게 생성됩니까?
병렬 컨볼루션 분기는 역전파를 통해 엔드 투 엔드로 학습된 오프셋을 출력합니다.
예측된 오프셋은 일반적으로 소수이므로 해당 위치에서 픽셀 값은 어떻게 샘플링됩니까?
분수 오프셋에는 쌍선형 보간이 필요하며, 이는 훈련을 위해 연산을 미분 가능하게 유지합니다.
Deformable ConvNets v2(2018)는 원본에 무엇을 추가했습니까?
v2에서는 영향력을 증폭하거나 억제하여 정확도를 향상시킬 수 있는 샘플링 포인트당 학습된 가중치인 변조를 도입했습니다.
변형 가능한 컨볼루션이 불규칙한 모양의 객체에 특히 유용한 이유는 무엇입니까?
샘플링 그리드를 구부리면 유효 수용 필드가 단단한 정사각형 대신 물체의 기하학적 구조에 맞춰 정렬됩니다.