Виявлення відкритого словникового об’єкта
Виявлення об’єктів із відкритим словником дозволяє моделі знаходити та виділяти об’єкти, описані довільним текстом, включаючи категорії, які вона ніколи не бачила під час навчання.
Огляд
It matters because traditional detectors are locked to a fixed list of classes, while open-vocabulary models can detect almost anything you can name.
Глибоке занурення
Класичні детектори навчаються на замкнутому наборі категорій, скажімо, 80 класів у COCO, і не можуть розпізнати «річ» поза цим списком. Виявлення відкритого словника порушує це обмеження, вирівнюючи особливості візуальної області зі спільним простором вбудовування мови бачення, який зазвичай вивчається з масивних пар зображення-текст (як у CLIP). Під час висновку ви надаєте текстові мітки, модель вбудовує ці мітки та зіставляє виявлені області з будь-яким текстовим вбудовуванням, яке є найближчим, тому нові категорії працюють, доки ви можете їх описати. Такі системи, як ViLD, GLIP, OWL-ViT, Detic і Grounding DINO, популяризували цей підхід, об’єднавши магістралі виявлення з мовним заземленням і навчаючись на великих, слабо позначених або заземлених наборах даних.
Технічне розуміння
Хитрість полягає в заміні фіксованого шару класифікатора на вбудовування тексту. Замість вивчення одного вагового вектора для відомого класу детектор проектує кожну область у той самий простір, що й мовний кодер; класифікація стає порівнянням подібності між ознаками регіону та вставленням наданих користувачем імен категорій або фраз. Оскільки текстовий кодер узагальнює невидимі слова, заміна нових рядків міток під час тестування дає змогу виявити категорії, яких немає в навчальних даних обмежувальної рамки.
Стратегічний вплив
Швидкість і масштаб
Візуальний штучний інтелект може автоматизувати масштабні завдання перевірки, виявлення та позначення тегами.
Створіть вибір
Творчі групи можуть створювати прототипи концепцій швидше з меншою кількістю переглядів вручну.
Команда та робочий процес
Операції можуть використовувати зображення та відеосигнали, які раніше було важко обробити.
Майбутнє відкритого словникового виявлення об’єктів
Виявлення відкритого словника зближується з обґрунтуванням і сегментацією, де фрази вільної форми (а не лише окремі слова) локалізують об’єкти, а також із системами підказок у поєднанні з такими моделями, як SAM для масок. Очікуйте більшу точність нульового удару, довші та композиційніші текстові запити («червона чашка за ноутбуком») і тісний зв’язок із мультимодальними помічниками, які виявляють за запитом. З удосконаленням навчання зображень і тексту в масштабі Інтернету межа між виявленням, пошуком і розумінням мови продовжуватиме розмиватися в бік загального візуального заземлення.
Реалізація в реальному світі
Пошук зображень рідкісних або нестандартних об'єктів шляхом введення їх назв без перенавчання
Системи робототехніки визначають місцезнаходження предмета, який користувач називає природною мовою, перш ніж схопити його
Автоматичне позначення наборів даних шляхом виявлення багатьох нових категорій із текстового списку
Модерація вмісту, яка позначає описані об’єкти, яких немає в початкових навчальних мітках
Ризики та огорожі
Права на зображення та згода можуть стати юридичними ризиками, якщо походження невідоме.
Продуктивність моделі може відрізнятися залежно від освітлення, демографічних показників і середовища.
Помилкові спрацьовування можуть залишитися непоміченими, якщо не відстежувати пороги довіри.
Дорожня карта впровадження
Визначте критерії прийнятності для точності, відкликання та вартості помилок.
Тестуйте з даними, які відповідають реальним умовам виробництва.
Додайте перевірку людиною для прогнозів із низьким рівнем достовірності або високого впливу.
Відстежуйте дрейф моделі та повторно перевіряйте після зміни камери або набору даних.
Продовжуйте досліджувати
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 Open-Vocabulary Object Detection 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
Наступний посібник
Виявлення об'єктів
Часті запитання
What is Open-Vocabulary Object Detection?
Виявлення об’єктів із відкритим словником дозволяє моделі знаходити та виділяти об’єкти, описані довільним текстом, включаючи категорії, які вона ніколи не бачила під час навчання. Це важливо, оскільки традиційні детектори прив’язані до фіксованого списку класів, тоді як моделі з відкритим словником можуть виявляти майже все, що можна назвати.
Яка визначальна здатність виявлення об’єктів відкритого словника?
Виявлення відкритого словника може локалізувати категорії, визначені текстом під час тестування, навіть ті, які він ніколи не бачив із позначками обмежувальних рамок.
Як ці моделі класифікують виявлену область?
Вони проектують регіони в простір вбудовування мови бачення та підбирають кожну область до найближчого вбудовування текстової мітки.
Який переднавчальний ресурс найбільше дає змогу виявити відкритий словниковий запас?
Масивні дані зображення та тексту (які використовуються в моделях у стилі CLIP) створюють спільний простір для вбудовування, що дозволяє тексту узагальнювати до нових категорій.
Який компонент замінено порівняно з детектором закритого типу?
Замість векторів ваги фіксованого класу класифікація використовує схожість із вбудованими текстами, тому під час тестування можна додавати нові рядки міток.
Що з цього є прикладом моделі виявлення відкритого словника чи заземлення?
Заземлення DINO разом із GLIP, OWL-ViT, ViLD і Detic є добре відомими детекторами відкритого словника або заземлення.