Tổng quan
Các tích chập có thể biến dạng cho phép mạng lưới thần kinh uốn cong lưới lấy mẫu của nó để đi theo hình dạng thực tế của các vật thể thay vì buộc nó phải đi qua một cửa sổ hình vuông cứng nhắc. Điều này làm cho các mô hình xử lý các hình dạng kỳ lạ, thay đổi tỷ lệ và biến dạng hình học tốt hơn nhiều.
Các kết cấu có thể biến dạng thuộc về quy trình công việc thị giác máy tính diễn giải hoặc tạo ra phương tiện trực quan để phân tích, vận hành và sáng tạo.
Lặn sâu
Phép tích chập bình thường lấy mẫu các pixel ở các độ lệch cố định - một lưới 3x3 gọn gàng tập trung vào mỗi vị trí. Điều đó hoạt động tốt đối với các kết cấu nhưng gặp khó khăn khi các vật thể bị nghiêng, bị kéo căng hoặc có hình dạng kỳ lạ. Các tích chập có thể biến dạng, được Dai và các đồng nghiệp tại Microsoft giới thiệu Nghiên cứu vào năm 2017, bổ sung một độ lệch nhỏ đã học được cho từng điểm lấy mẫu đó. Mạng xem xét đầu vào và dự đoán sự dịch chuyển 2D cho mọi vị trí lưới, do đó, trường tiếp nhận có thể cong để ôm cạnh cong hoặc đi theo một nhánh nghiêng. Việc gộp RoI có thể biến dạng áp dụng ý tưởng tương tự cho các đặc điểm vùng. Phiên bản 2 (2018) đã thêm trọng số điều chế trên mỗi điểm, cho phép lớp làm giảm hoặc khuếch đại từng mẫu, giúp nâng cao độ chính xác của việc phát hiện đối tượng trên các điểm chuẩn như COCO.
Hiểu biết kỹ thuật
Các hiệu số được tạo ra bởi một lớp tích chập bổ sung chạy song song, xuất ra các giá trị 2N cho hạt nhân N điểm (một dx, một dy mỗi điểm). Bởi vì độ lệch được dự đoán là phân số nên các giá trị pixel được lấy mẫu được tính toán bằng phép nội suy song tuyến tính, giúp cho toàn bộ hoạt động có thể phân biệt được. Các chênh lệch được học từ đầu đến cuối thông qua quá trình truyền ngược thông thường — không có sự giám sát riêng biệt nào cho mạng biết nơi cần tìm. Chi phí tăng thêm rất khiêm tốn vì nhánh offset có trọng lượng nhẹ so với các bản đồ tính năng chính.
Làm chủ các kết cấu có thể biến dạng
Các tích chập có thể biến dạng cho phép mạng lưới thần kinh uốn cong lưới lấy mẫu của nó để đi theo hình dạng thực tế của các vật thể thay vì buộc nó phải đi qua một cửa sổ hình vuông cứng nhắc. Điều này làm cho các mô hình xử lý các hình dạng kỳ lạ, thay đổi tỷ lệ và biến dạng hình học tốt hơn nhiều. Các kết cấu có thể biến dạng thuộc về quy trình công việc thị giác máy tính diễn giải hoặc tạo ra phương tiện trực quan để phân tích, vận hành và sáng tạo. Để xây dựng sự hiểu biết sâu sắc, hãy coi Convolutions có thể biến dạng như một mô hình vận hành chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng Deformable Convolutions cân bằng độ chính xác với thực tế vận hành như chất lượng dữ liệu, phương sai ánh sáng và tính nhất quán của nhãn. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn. Đồng thời, quyền về hình ảnh và sự đồng ý có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Phát hiện đối tượng trên COCO, trong đó các lớp có thể biến dạng giúp tăng cường độ chính xác trên các vật thể kéo dài hoặc xoay như xe lửa và hươu cao cổ
Phân đoạn ngữ nghĩa của cảnh đường phố, giúp mô hình theo dõi các vạch kẻ đường cong và đường viền tòa nhà không đều
DETR có thể biến dạng để phát hiện từ đầu đến cuối, sử dụng các giá trị bù đã học để làm cho sự chú ý của máy biến áp trở nên hiệu quả
Hình ảnh y tế, trong đó các khối u và cơ quan có hình dạng không cứng nhắc mà lưới cố định chụp kém
Các mẫu triển khai
Các kết cấu biến dạng trong thực tế
Phát hiện đối tượng trên COCO, trong đó các lớp có thể biến dạng giúp tăng cường độ chính xác trên các vật thể kéo dài hoặc xoay như xe lửa và hươu cao cổ.
Phát hiện đối tượng trên COCO, trong đó các lớp có thể biến dạng giúp tăng cường độ chính xác trên các vật thể kéo dài hoặc xoay như xe lửa và hươu cao cổ. Các nhóm thường đạt được kết quả tốt hơn khi xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Các kết cấu biến dạng trong thực tế
Phân đoạn ngữ nghĩa của cảnh đường phố, giúp mô hình theo dõi các vạch kẻ làn đường cong và đường viền tòa nhà không đều.
Phân đoạn ngữ nghĩa của cảnh đường phố, giúp mô hình theo dõi các vạch kẻ làn đường cong và đường viền tòa nhà không đồng đều. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Các kết cấu biến dạng trong thực tế
DETR có thể biến dạng để phát hiện từ đầu đến cuối, sử dụng các giá trị bù đã học để làm cho sự chú ý của máy biến áp trở nên hiệu quả.
DETR có thể biến dạng để phát hiện từ đầu đến cuối, sử dụng độ lệch đã học để chú ý đến máy biến áp hiệu quả. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Các kết cấu biến dạng trong thực tế
Hình ảnh y tế, trong đó các khối u và cơ quan có hình dạng không cứng nhắc nên lưới cố định chụp ảnh kém.
Hình ảnh y tế, trong đó các khối u và cơ quan có hình dạng không cứng nhắc mà lưới cố định thu được kém. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí do lỗi theo thời gian.
Rủi ro & lan can
Quyền và sự đồng ý về hình ảnh có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng.
Hiệu suất của mô hình có thể khác nhau tùy theo ánh sáng, nhân khẩu học và môi trường.
Kết quả dương tính giả có thể không được chú ý trừ khi ngưỡng tin cậy được theo dõi.
Lộ trình thực hiện
Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi.
Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.