Tổng quan
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.
CNN dựa trên khu vực 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
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 việc 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.
Làm chủ các 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. Họ đã 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. CNN dựa trên khu vực 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 CNN dựa trên khu vực như một mô hình hoạt động 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 CNN theo khu vực sẽ cân bằng độ chính xác với thực tế hoạt động 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 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
Các mẫu triển khai
CNN dựa trên khu vực trong thực tế
Phát hiện và đếm sản phẩm trên kệ bán lẻ để quản lý hàng tồn kho.
Phát hiện và đếm sản phẩm trên kệ bán lẻ để quản lý hàng tồn kho Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, duy trì lộ trình báo cáo của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí sai sót theo thời gian.
CNN dựa trên khu vực trong thực tế
Phân đoạn mẫu tế bào hoặc cơ quan trong quét y tế bằng Mask R-CNN.
Phân đoạn phiên bản của tế bào hoặc cơ quan trong quá trình quét y tế bằng Mask R-CNN. Nhóm thường nhận được kết quả tốt hơn khi họ xác định trước 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 lỗi theo thời gian.
CNN dựa trên khu vực trong thực tế
Xác định các khuyết tật và vị trí của chúng trên dây chuyền sản xuất của nhà máy.
Xác định các lỗi và vị trí của chúng trên dây chuyền sản xuất của nhà máy Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình báo cáo 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.
CNN dựa trên khu vực trong thực tế
Định vị nhiều phương tiện và người đi bộ trong nguồn cấp dữ liệu camera lái xe tự động.
Định vị nhiều phương tiện và người đi bộ trong nguồn cấp dữ liệu của camera lái xe tự động. 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.
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.