CNN theo khu vực
CNN dựa trên khu vực (R-CNN) là một nhóm máy dò tìm đối tượng trước tiên đề xuất các vùng ứng cử viên trong hình ảnh, sau đó sử dụng CNN để phân loại và đóng hộp chính xác từng đối tượng.
Tổng quan
They turned image classification into full object detection, locating and labeling many objects at once.
Lặn sâu
Câu trả lời phân loại hình ảnh 'trong bức ảnh này là gì?' nhưng việc phát hiện cũng phải trả lời 'ở đâu và bao nhiêu?' R-CNN ban đầu (2014) đã sử dụng thuật toán bên ngoài (Tìm kiếm có chọn lọc) để đề xuất khoảng 2.000 vùng, biến đổi từng vùng thành một kích thước cố định và chạy CNN trên mỗi vùng, thuật toán này chính xác nhưng rất chậm. Fast R-CNN đã tăng tốc quá trình này bằng cách chạy CNN một lần trên toàn bộ hình ảnh và gộp các tính năng trên mỗi vùng (RoI pooling). Sau đó, R-CNN nhanh hơn đã thay thế Tìm kiếm có chọn lọc bằng Mạng đề xuất khu vực (RPN) đã học được, làm cho toàn bộ quy trình được kết nối từ đầu đến cuối và gần như theo thời gian thực. Mask R-CNN đã mở rộng nó hơn nữa để xuất ra mặt nạ cấp pixel cho từng đối tượng được phát hiện.
Hiểu biết kỹ thuật
Bước nhảy vọt về hiệu quả chính là tập hợp RoI: thay vì chạy lại CNN trên mỗi hộp được đề xuất, mạng sẽ tính toán một bản đồ đặc trưng dùng chung cho hình ảnh, sau đó cắt và thay đổi kích thước các đặc điểm bên trong từng vùng quan tâm thành một lưới cố định. RPN của R-CNN nhanh hơn trượt trên bản đồ tính năng đó để dự đoán điểm 'tính khách quan' và điều chỉnh hộp cho các hộp neo đặt trước có kích thước và tỷ lệ khung hình khác nhau, tạo ra các đề xuất gần như miễn phí.
Tác động chiến lược
Tốc độ và tỷ lệ
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
Xây dựng lựa chọn
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
Nhóm và quy trình làm việc
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.
Tương lai của CNN theo khu vực
Các máy dò R-CNN hai giai đoạn vẫn mạnh mẽ ở những nơi mà độ chính xác là quan trọng nhất, nhưng các máy dò một giai đoạn (YOLO, SSD) và các máy dò dựa trên Máy biến áp như DETR, loại bỏ hoàn toàn các neo và đề xuất được thiết kế thủ công, ngày càng phổ biến vì tốc độ và sự đơn giản. Xu hướng là phát hiện dựa trên truy vấn, không có neo, từ đầu đến cuối. Tuy nhiên, các ý tưởng cốt lõi, các tính năng chung và lý luận cấp khu vực của dòng R-CNN vẫn tiếp tục ảnh hưởng đến các hệ thống phát hiện phân đoạn, video và 3D.
Triển khai trong thế giới thực
Phát hiện và đếm sản phẩm trên kệ bán lẻ để quản lý hàng tồn kho
Phân đoạn tế bào hoặc cơ quan trong quét y tế bằng Mask R-CNN
Xác định các khuyết tật và vị trí của chúng trên dây chuyền sản xuất của nhà máy
Định vị nhiều phương tiện và người đi bộ trong nguồn cấp dữ liệu camera lái xe tự động
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.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
Mô hình sáng tạo dựa trên điểm số
Câu hỏi thường gặp
What is Region-Based CNNs?
CNN dựa trên khu vực (R-CNN) là một nhóm máy dò tìm đối tượng trước tiên đề xuất các vùng ứng cử viên trong hình ảnh, sau đó sử dụng CNN để phân loại và đóng hộp chính xác từng đối tượng. Họ biến việc phân loại hình ảnh thành phát hiện đối tượng đầy đủ, định vị và gắn nhãn cho nhiều đối tượng cùng một lúc.
Ý tưởng cốt lõi của CNN dựa trên khu vực là gì?
R-CNN đề xuất các vùng có thể chứa các đối tượng, sau đó chạy CNN để phân loại từng vùng và tinh chỉnh hộp giới hạn của nó.
Tại sao R-CNN ban đầu (2014) lại chậm?
R-CNN ban đầu chạy CNN một cách độc lập với khoảng 2.000 đề xuất vùng cho mỗi hình ảnh, điều này cực kỳ tốn kém về mặt tính toán.
Faster R-CNN đã giới thiệu gì để thay thế Tìm kiếm chọn lọc?
R-CNN nhanh hơn đã giới thiệu Mạng đề xuất khu vực đã học, biến việc tạo đề xuất trở thành một phần của mạng có thể đào tạo và nhanh hơn nhiều.
Việc gộp RoI có tác dụng gì?
Tính năng tổng hợp RoI trích xuất các lưới đối tượng có kích thước cố định từ một bản đồ đối tượng được chia sẻ duy nhất cho mỗi vùng, tránh việc tính toán lại và tăng tốc độ phát hiện.
Mask R-CNN bổ sung thêm khả năng gì?
Mặt nạ R-CNN mở rộng R-CNN nhanh hơn bằng cách dự đoán mặt nạ cấp pixel chính xác cho từng đối tượng, cho phép phân đoạn phiên bản.