Convolutions Deformable
Mibadiliko inayoweza kuharibika huruhusu mtandao wa neva upinde gridi yake ya sampuli kufuata umbo halisi wa vitu badala ya kulazimisha kupitia dirisha gumu la mraba.
Muhtasari
This makes models far better at handling odd shapes, scale changes, and geometric distortion.
Dive ya kina
Sampuli za sampuli za mabadiliko ya kawaida katika mizani isiyobadilika - gridi safi ya 3x3 inayozingatia kila eneo. Hiyo inafanya kazi vizuri kwa maumbo lakini hujitahidi wakati vitu vimeinamishwa, kunyooshwa, au umbo lisilo la kawaida. Mazungumzo yanayoweza kuharibika, yaliyoanzishwa na Dai na wafanyakazi wenzake katika Microsoft Utafiti mwaka wa 2017, huongeza mbinu ndogo iliyojifunza kwa kila mojawapo ya pointi hizo za sampuli. Mtandao huangalia ingizo na kutabiri mabadiliko ya 2D kwa kila nafasi ya gridi, ili uga pokezi unaweza kupinda ili kukumbatia ukingo uliopinda au kufuata kiungo kilichoinama. Ujumuishaji wa RoI inayoweza kuharibika hutumika wazo sawa kwa vipengele vya eneo. Toleo la 2 (2018) liliongeza uzani wa urekebishaji kwa kila nukta, ikiruhusu safu unyevu au kukuza kila sampuli, ambayo ilinoa usahihi wa utambuzi wa kitu kwenye alama kama vile COCO.
Ufahamu wa Kiufundi
Vipimo vinatolewa na safu ya ziada ya ubadilishaji inayoendesha sambamba, ikitoa maadili ya 2N kwa kerneli ya N-point (dx moja, dy moja kwa kila nukta). Kwa sababu urekebishaji uliotabiriwa ni wa sehemu, thamani za pikseli zilizotolewa sampuli hukokotwa na ufasiri wa pande mbili, ambao huweka utendakazi wote kutofautishwa. Kusawazisha hujifunza kutoka mwisho hadi mwisho kupitia uenezaji wa kawaida - hakuna usimamizi tofauti unaoambia mtandao mahali pa kuangalia. Gharama iliyoongezwa ni ya kawaida kwa sababu tawi la kukabiliana ni jepesi ikilinganishwa na ramani za kipengele kikuu.
Athari za kimkakati
Kasi na kiwango
Visual AI inaweza kufanya ukaguzi, ugunduzi na kazi za kuweka lebo kiotomatiki kwa kiwango.
Tengeneza chaguzi
Timu bunifu zinaweza kuiga dhana kwa haraka zaidi na masahihisho machache ya mikono.
Timu na mtiririko wa kazi
Uendeshaji unaweza kutumia ishara za picha na video ambazo hapo awali zilikuwa ngumu kuchakata.
Mustakabali wa Mageuzi yanayoweza Kuharibika
Uangalifu unaoweza kuharibika umekuwa uti wa mgongo wa ugunduzi wa kisasa: DETR inayoweza kubadilika hutumia sampuli zilizojifunza kufanya uangalizi wa kibadilishaji kuwa chache na wa haraka, hivyo kupunguza muda wa mafunzo kwa kasi dhidi ya DETR asili. Tarajia kanuni inayoweza kuharibika ili kuendelea kuenea katika video, 3D point clouds, na vielelezo vya lugha ya maono, ambapo sampuli zinazobadilika husaidia kushughulikia mwendo, kuziba na jiometri isiyo ya kawaida. Kadiri usaidizi wa maunzi kwa ufikiaji usio wa kawaida wa kumbukumbu unavyoboreshwa, waendeshaji wanaoweza kuharibika wanapaswa pia kupata bei nafuu na kutumwa kwa upana zaidi kwenye vifaa vya makali.
Utekelezaji wa Ulimwengu Halisi
Utambuzi wa kitu kwenye COCO, ambapo tabaka zinazoweza kuharibika huongeza usahihi wa vitu virefu au vinavyozungushwa kama vile treni na twiga.
Mgawanyiko wa kimantiki wa matukio ya mitaani, kusaidia modeli kufuatilia alama za njia zilizopinda na muhtasari wa jengo usio wa kawaida.
DETR inayoweza kuharibika kwa ugunduzi wa mwisho hadi mwisho, kwa kutumia vifaa vilivyojifunza ili kufanya uzingatiaji wa kibadilishaji cha umeme kuwa mzuri
Upigaji picha wa kimatibabu, ambapo uvimbe na viungo vina maumbo yasiyo ngumu ambayo gridi zisizohamishika hukamata vibaya
Hatari & Walinzi
Haki za picha na idhini zinaweza kuwa hatari za kisheria ikiwa asili haiko wazi.
Utendaji wa muundo unaweza kutofautiana katika mwangaza, idadi ya watu na mazingira.
Chanya za uwongo zinaweza kutotambuliwa isipokuwa viwango vya uaminifu vifuatiliwe.
Ramani ya Utekelezaji
Bainisha vigezo vya kukubalika vya usahihi, kumbukumbu na gharama za makosa.
Jaribu kwa kutumia data inayolingana na hali halisi ya uzalishaji.
Ongeza ukaguzi wa kibinadamu kwa utabiri wa chini au utabiri wa athari kubwa.
Fuatilia mtindo wa kuteleza na uthibitishe upya baada ya mabadiliko ya kamera au mkusanyiko wa data.
Endelea Kuchunguza
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
Mwongozo unaofuata
Convolutions Kina Separable
Maswali yanayoulizwa mara kwa mara
What is Deformable Convolutions?
Mibadiliko inayoweza kuharibika huruhusu mtandao wa neva upinde gridi yake ya sampuli kufuata umbo halisi wa vitu badala ya kulazimisha kupitia dirisha gumu la mraba. Hii inafanya miundo kuwa bora zaidi katika kushughulikia maumbo ya kawaida, mabadiliko ya mizani, na upotoshaji wa kijiometri.
Je, upotoshaji unaoweza kuharibika unaongeza nini ikilinganishwa na upotoshaji wa kawaida?
Ubadilishaji ulemavu hutabiri urekebishaji uliojifunza (dx, dy) kwa kila eneo la sampuli, ukiruhusu gridi kukunja ili kuendana na maumbo ya kitu.
Vipimo vya sampuli katika ubadilishaji unaoweza kuharibika huzalishwaje?
Tawi la ubadilishaji sambamba hutoa mihimili, ambayo hufunzwa kutoka mwisho hadi mwisho kupitia uenezaji wa nyuma.
Kwa sababu urekebishaji uliotabiriwa kawaida huwa wa sehemu, maadili ya pixel huchukuliwaje katika nafasi hizo?
Kukabiliana kwa sehemu kunahitaji tafsiri ya pande mbili, ambayo huweka operesheni kutofautishwa kwa mafunzo.
Deformable ConvNets v2 (2018) iliongeza nini juu ya asili?
v2 ilianzisha urekebishaji, uzani uliofunzwa kwa kila sehemu ya sampuli ambayo inaweza kukuza au kukandamiza ushawishi wake, kuboresha usahihi.
Kwa nini mizunguko inayoweza kuharibika inasaidia sana kwa vitu vyenye umbo lisilo la kawaida?
Kwa kupinda gridi ya sampuli, uga faafu wa kupokea hupatana na jiometri ya kitu badala ya mraba thabiti.