CNN ตามภูมิภาค
CNN ตามภูมิภาค (R-CNN) คือกลุ่มเครื่องตรวจจับวัตถุที่เสนอขอบเขตที่เหมาะสมในรูปภาพก่อน จากนั้นใช้ CNN เพื่อจำแนกและจัดวางแต่ละวัตถุอย่างแม่นยำ
ภาพรวม
They turned image classification into full object detection, locating and labeling many objects at once.
เจาะลึก
การจัดหมวดหมู่รูปภาพตอบว่า 'อะไรอยู่ในภาพนี้' แต่การตรวจจับจะต้องตอบว่า 'ที่ไหน และจำนวนเท่าใด' R-CNN ดั้งเดิม (2014) ใช้อัลกอริธึมภายนอก (การค้นหาแบบเลือก) เพื่อเสนอประมาณ 2,000 ภูมิภาค บิดแต่ละภูมิภาคให้เป็นขนาดคงที่ และใช้ CNN กับทุกภูมิภาค ซึ่งมีความแม่นยำแต่ช้าอย่างเจ็บปวด R-CNN ที่รวดเร็วช่วยเร่งความเร็วนี้ด้วยการรัน CNN หนึ่งครั้งบนอิมเมจทั้งหมดและฟีเจอร์การรวมกลุ่มตามภูมิภาค (การรวม RoI) R-CNN ที่เร็วขึ้นได้เข้ามาแทนที่ Selective Search ด้วย Region Proposal Network (RPN) ที่เรียนรู้แล้ว ทำให้ไปป์ไลน์ทั้งหมดตั้งแต่ต้นทางถึงปลายทางและใกล้เคียงเรียลไทม์ Mask R-CNN ขยายออกไปอีกเพื่อส่งออกมาสก์ระดับพิกเซลสำหรับวัตถุแต่ละชิ้นที่ตรวจพบ
ข้อมูลเชิงลึกทางเทคนิค
การก้าวกระโดดด้านประสิทธิภาพที่สำคัญคือการรวม RoI เข้าด้วยกัน แทนที่จะเรียกใช้ CNN ซ้ำในทุกกล่องที่เสนอ เครือข่ายจะคำนวณแผนผังฟีเจอร์ที่ใช้ร่วมกันสำหรับรูปภาพ จากนั้นครอบตัดและปรับขนาดฟีเจอร์ภายในแต่ละภูมิภาคที่สนใจให้เป็นกริดแบบคงที่ RPN ของ R-CNN เลื่อนไปบนแผนที่ฟีเจอร์นั้นเร็วขึ้นเพื่อทำนายคะแนน 'ความไม่เป็นกลาง' และการปรับกล่องสำหรับกล่องยึดที่กำหนดไว้ล่วงหน้าซึ่งมีขนาดและอัตราส่วนที่แตกต่างกัน สร้างข้อเสนอเกือบฟรี
ผลกระทบเชิงกลยุทธ์
ความเร็วและขนาด
Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ
สร้างทางเลือก
ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง
ทีมงานและขั้นตอนการทำงาน
การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก
อนาคตของ CNN ตามภูมิภาค
เครื่องตรวจจับ R-CNN แบบสองขั้นตอนยังคงแข็งแกร่งโดยที่ความแม่นยำเป็นสิ่งสำคัญที่สุด แต่เครื่องตรวจจับแบบขั้นตอนเดียว (YOLO, SSD) และเครื่องตรวจจับที่ใช้หม้อแปลงไฟฟ้า เช่น DETR ซึ่งข้ามจุดยึดและข้อเสนอที่ออกแบบด้วยมือโดยสิ้นเชิง ได้รับความนิยมมากขึ้นในด้านความเร็วและความเรียบง่าย แนวโน้มนี้มุ่งสู่การตรวจจับแบบ end-to-end ไร้จุดยึด และอิงตามการสืบค้น อย่างไรก็ตาม แนวคิดหลักของสายเลือด R-CNN คุณลักษณะที่ใช้ร่วมกัน และการให้เหตุผลระดับภูมิภาค ยังคงมีอิทธิพลต่อระบบการแบ่งส่วน วิดีโอ และระบบตรวจจับ 3 มิติ
การใช้งานจริงในโลกแห่งความเป็นจริง
การตรวจจับและการนับสินค้าบนชั้นวางขายปลีกเพื่อการจัดการสินค้าคงคลัง
การแบ่งส่วนเซลล์หรืออวัยวะในการสแกนทางการแพทย์โดยใช้ Mask R-CNN
การระบุข้อบกพร่องและตำแหน่งในสายการผลิตของโรงงาน
การระบุตำแหน่งยานพาหนะและคนเดินถนนหลายคันในฟีดกล้องขับเคลื่อนอัตโนมัติ
ความเสี่ยงและรั้ว
สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน
ประสิทธิภาพของโมเดลอาจแตกต่างกันไปตามสภาพแสง ข้อมูลประชากร และสภาพแวดล้อม
ผลบวกลวงอาจไม่สังเกตเห็นเว้นแต่จะมีการตรวจสอบเกณฑ์ความเชื่อมั่น
แผนงานการดำเนินงาน
กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด
ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง
เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง
ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล
สำรวจต่อไป
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
คำแนะนำต่อไป
โมเดลกำเนิดตามคะแนน
คำถามที่พบบ่อย
What is Region-Based CNNs?
CNN ตามภูมิภาค (R-CNN) คือกลุ่มเครื่องตรวจจับวัตถุที่เสนอขอบเขตที่เหมาะสมในรูปภาพก่อน จากนั้นใช้ CNN เพื่อจำแนกและจัดวางแต่ละวัตถุอย่างแม่นยำ พวกเขาเปลี่ยนการจัดหมวดหมู่ภาพเป็นการตรวจจับวัตถุเต็มรูปแบบ โดยระบุตำแหน่งและติดป้ายกำกับวัตถุจำนวนมากในคราวเดียว
แนวคิดหลักของ CNN ตามภูมิภาคคืออะไร
R-CNN เสนอขอบเขตที่อาจมีออบเจ็กต์ จากนั้นเรียกใช้ CNN เพื่อจัดประเภทแต่ละภูมิภาคและปรับปรุงกล่องขอบเขต
เหตุใด R-CNN ดั้งเดิม (2014) จึงช้า
R-CNN ดั้งเดิมดำเนินการกับ CNN อย่างเป็นอิสระจากข้อเสนอภูมิภาคประมาณ 2,000 รายการต่อภาพ ซึ่งมีราคาแพงมากในการคำนวณ
Faster R-CNN แนะนำอะไรเพื่อแทนที่ Selective Search
R-CNN ที่เร็วขึ้นเปิดตัวเครือข่ายข้อเสนอภูมิภาคที่เรียนรู้ ทำให้การสร้างข้อเสนอเป็นส่วนหนึ่งของเครือข่ายที่สามารถฝึกอบรมได้และรวดเร็วยิ่งขึ้น
การรวม RoI ทำอะไรได้บ้าง?
การรวม RoI จะแยกตารางคุณลักษณะที่มีขนาดคงที่จากแผนผังคุณลักษณะที่ใช้ร่วมกันรายการเดียวต่อภูมิภาค หลีกเลี่ยงการคำนวณใหม่และเร่งการตรวจจับ
Mask R-CNN เพิ่มความสามารถพิเศษอะไรบ้าง?
Mask R-CNN ขยาย R-CNN ที่เร็วขึ้นโดยการคาดการณ์มาสก์ระดับพิกเซลที่แม่นยำสำหรับแต่ละอ็อบเจ็กต์ ช่วยให้สามารถแบ่งส่วนอินสแตนซ์ได้