Bölge Bazlı CNN'ler
Bölge Tabanlı CNN'ler (R-CNN'ler), önce bir görüntüdeki aday bölgeleri öneren, ardından her nesneyi sınıflandırmak ve hassas bir şekilde kutulamak için bir CNN kullanan bir nesne dedektörü ailesidir.
Genel Bakış
They turned image classification into full object detection, locating and labeling many objects at once.
Derin Dalış
Görüntü sınıflandırması 'Bu resimde ne var?' sorusunun yanıtını verir. ancak tespit aynı zamanda 'nerede ve kaç tane?' sorusunu da yanıtlamalıdır. Orijinal R-CNN (2014), yaklaşık 2.000 bölge önermek için harici bir algoritma (Seçici Arama) kullandı, her birini sabit bir boyuta ayarladı ve her birinde bir CNN çalıştırdı; bu doğruydu ama acı verici derecede yavaştı. Hızlı R-CNN, CNN'yi tüm görüntü üzerinde bir kez çalıştırarak ve özellikleri bölge başına bir araya toplayarak (RoI havuzu oluşturma) bunu hızlandırdı. Faster R-CNN daha sonra Seçmeli Aramayı öğrenilmiş bir Bölge Teklif Ağı (RPN) ile değiştirerek tüm hattı uçtan uca ve neredeyse gerçek zamanlı hale getirdi. Mask R-CNN, algılanan her nesne için piksel düzeyinde maskeler çıkaracak şekilde bunu daha da genişletti.
Teknik Bilgi
En önemli verimlilik sıçraması, yatırım getirisinin havuzlanmasıdır: Önerilen her kutuda bir CNN'yi yeniden çalıştırmak yerine, ağ, görüntü için bir paylaşılan özellik haritası hesaplar, ardından ilgilenilen her bölgedeki özellikleri kırpar ve sabit bir ızgaraya göre yeniden boyutlandırır. Daha hızlı R-CNN'nin RPN'si, 'nesnellik' puanlarını ve çeşitli boyut ve en boy oranlarına sahip önceden ayarlanmış bağlantı kutuları için kutu ayarlamalarını tahmin ederek bu özellik haritası üzerinde kayar ve neredeyse ücretsiz teklifler üretir.
Stratejik Etki
Speed and scale
Visual AI, inceleme, algılama ve etiketleme görevlerini geniş ölçekte otomatikleştirebilir.
Build choices
Yaratıcı ekipler, daha az manuel revizyonla konseptleri daha hızlı prototipleyebilir.
Ekip ve iş akışı
Operasyonlar, daha önce işlenmesi zor olan görüntü ve video sinyallerini kullanabilir.
Bölge Bazlı CNN'lerin Geleceği
İki aşamalı R-CNN dedektörleri, doğruluğun en önemli olduğu yerlerde güçlü kalır, ancak tek aşamalı dedektörler (YOLO, SSD) ve elle tasarlanmış bağlantıları ve önerileri tamamen atlayan DETR gibi Transformatör tabanlı dedektörler, hız ve basitlik açısından giderek daha popüler hale geliyor. Trend uçtan uca, çapasız, sorgu tabanlı tespite doğru gidiyor. Yine de R-CNN soyunun temel fikirleri, paylaşılan özellikleri ve bölge düzeyindeki mantığı, segmentasyonu, videoyu ve 3D algılama sistemlerini etkilemeye devam ediyor.
Gerçek Dünya Uygulaması
Envanter yönetimi için perakende raflarındaki ürünleri algılama ve sayma
Mask R-CNN kullanılarak tıbbi taramalarda hücrelerin veya organların örnek segmentasyonu
Fabrika üretim hattındaki kusurları ve yerlerini belirleme
Otonom sürüş kamera yayınlarında birden fazla araç ve yaya bulma
Riskler ve Korkuluklar
Kaynağın belirsiz olması durumunda görüntü hakları ve rıza yasal risk haline gelebilir.
Model performansı aydınlatma, demografik özellikler ve ortamlara göre değişiklik gösterebilir.
Güven eşikleri izlenmediği sürece yanlış pozitifler fark edilmeyebilir.
Uygulama Yol Haritası
Kesinlik, geri çağırma ve hata maliyetlerine ilişkin kabul kriterlerini tanımlayın.
Gerçek üretim koşullarıyla eşleşen verilerle test edin.
Düşük güvenirliğe sahip veya yüksek etkili tahminler için gerçek kişi tarafından yapılan incelemeyi ekleyin.
Model kaymasını izleyin ve kamera veya veri kümesi değişikliklerinden sonra yeniden doğrulayın.
Keşfetmeye Devam Edin
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
Puana Dayalı Üretken Modeller
Sık sorulan sorular
What is Region-Based CNNs?
Bölge Tabanlı CNN'ler (R-CNN'ler), önce bir görüntüdeki aday bölgeleri öneren, ardından her nesneyi sınıflandırmak ve hassas bir şekilde kutulamak için bir CNN kullanan bir nesne dedektörü ailesidir. Görüntü sınıflandırmayı tam nesne algılamaya dönüştürdüler, birçok nesneyi aynı anda konumlandırıp etiketlediler.
Bölge tabanlı bir CNN'in temel fikri nedir?
R-CNN'ler nesneler içerebilecek bölgeler önerir, ardından her bölgeyi sınıflandırmak ve sınırlayıcı kutusunu iyileştirmek için bir CNN çalıştırır.
Orijinal R-CNN (2014) neden yavaştı?
Orijinal R-CNN, CNN'yi görüntü başına yaklaşık 2.000 bölge önerisiyle bağımsız olarak çalıştırdı ve bu, hesaplama açısından son derece pahalıydı.
Faster R-CNN, Seçici Aramanın yerine neyi tanıttı?
Daha hızlı R-CNN, öğrenilmiş bir Bölge Teklif Ağı'nı kullanıma sunarak teklif oluşturmayı eğitilebilir ağın bir parçası haline getirdi ve çok daha hızlı hale getirdi.
RoI havuzu oluşturma neyi başarıyor?
RoI havuzu, sabit boyutlu özellik ızgaralarını bölge başına tek bir paylaşılan özellik haritasından çıkararak yeniden hesaplamayı önler ve algılamayı hızlandırır.
Mask R-CNN hangi ekstra yeteneği katıyor?
Maske R-CNN, her nesne için kesin bir piksel düzeyinde maske öngörerek daha hızlı R-CNN'yi genişletir ve örnek segmentasyonunu mümkün kılar.