В областта на откриването на обекти проблемът с припокриващите се анкерни кутии е често срещано предизвикателство, което може значително да повлияе на точността и ефективността на процеса на откриване. Като водещ доставчик наАнкерна глава, ние разбираме важността на ефективното справяне с този проблем. В тази публикация в блога ще проучим как нашата технология Anchor Head се справя с проблема с припокриващите се анкерни кутии и въздействието, което има върху откриването на обекти.
Разбиране на проблема с припокриващите се анкерни кутии
Преди да се задълбочим в решенията, от съществено значение е да разберем защо се появяват припокриващи се анкерни кутии при откриване на обекти. Закотвените кутии са предварително дефинирани ограничителни кутии с различни размери и пропорции, поставени на различни позиции в решетката на изображението. Те служат като отправна точка за алгоритъма за откриване на обекти за предсказване на действителните местоположения на обектите.
Припокриващите се анкерни кутии могат да възникнат поради няколко причини. Първо, наличието на множество обекти в непосредствена близост един до друг в едно изображение може да доведе до припокриване. Например, в претъпкана улична сцена, пешеходци и превозни средства може да са много близо, което да доведе до припокриване на съответните им котви. Второ, голямото разнообразие от размери и форми на обекти в изображения от реалния свят означава, че са необходими много анкерни кутии, за да покрият всички възможни случаи. Тази висока плътност на кутиите за закрепване увеличава вероятността от припокриване.
Проблемът с припокриващите се анкерни кутии е два - сгъване. От една страна, това въвежда излишък в процеса на откриване. Множество анкерни кутии, които са близо една до друга, може да предвиждат един и същ обект, което губи изчислителни ресурси и време. От друга страна може да доведе до объркване в класификацията и локализацията на обектите. Моделът може да се затрудни да определи коя анкерна кутия трябва да бъде свързана с определен обект, което води до неточни резултати от откриване.
Нашият подход за обработка на припокриващи се анкерни кутии
В нашата компания нашата технология за анкерна глава използва многоетапен подход за справяне с проблема с припокриващите се анкерни кутии.
1. Проектиране и избор на анкерна кутия
Започваме с внимателно проектиране и избор на нашите анкерни кутии. Нашият екип за научноизследователска и развойна дейност провежда задълбочени изследвания на характеристиките на целевите обекти, като средните им размери, пропорции и разпределение в различни сценарии. Въз основа на това проучване оптимизираме комплекта анкерни кутии, за да намалим ненужните припокривания.
Например, вместо да използваме фиксиран набор от закрепени кутии за всички видове изображения, ние адаптираме размерите на закрепените полета и съотношенията на страните според конкретното приложение. В сценарий за индустриална инспекция, при който обектите имат относително постоянни размери и форми, можем да използваме по-целенасочен набор от анкерни кутии. Този подход не само намалява броя на припокриващите се анкерни кутии, но също така подобрява ефективността на модела за откриване.
2. Не-максимално потискане (NMS)
Немаксималното потискане е широко използвана техника при откриване на обекти за филтриране на излишни и припокриващи се анкерни кутии. Нашата технология Anchor Head внедрява усъвършенствана версия на NMS.
Основният принцип на NMS е да сортира закотвените кутии въз основа на техните оценки на доверие (вероятността закотвен бокс да съдържа обект). След това, започвайки с фиксираната кутия с най-висок резултат на доверие, тя итеративно премахва всички други опорни кутии, които имат висока степен на припокриване с нея (обикновено измерено чрез пресичане над съюза - IoU).
Традиционният NMS обаче има някои ограничения, като например потенциала за потискане на валидни откривания, когато обектите са много близо един до друг. Нашият подобрен NMS алгоритъм взема предвид контекста и семантиката на обектите. Той може да прави разлика между припокриващи се анкерни кутии, които принадлежат на различни обекти, и тези, които са наистина излишни. Това ни позволява да поддържаме по-висок процент на извикване, като същевременно ефективно премахваме излишните кутии.
3. Стратегия за присвояване на котва
Друг ключов аспект на нашия подход е стратегията за определяне на анкерна кутия. Когато обучаваме модела за откриване на обекти, трябва да присвоим всеки основен обект на истина към една или повече анкерни кутии.
Нашата стратегия е предназначена да минимизира броя на припокриващите се котви, присвоени на един и същи обект. Ние използваме комбинация от критерии, базирани на местоположение и на външен вид, за да направим тези задачи. Например, първо разглеждаме IoU между земната кутия на истината и кутиите за закрепване. По-вероятно е да бъдат присвоени анкерни кутии с висок IoU със земята - истинска кутия. Но също така вземаме предвид визуалните характеристики на обектите, за да сме сигурни, че заданието е по-точно.
Тази стратегия за присвояване не само помага за намаляване на проблема с припокриването по време на обучението, но също така подобрява цялостната производителност на модела по време на извод.
Предимства на нашето решение
Начинът, по който нашата технология Anchor Head се справя с припокриващи се анкерни кутии, носи няколко предимства на системите за откриване на обекти.
1. Подобрена изчислителна ефективност
Чрез намаляване на броя на излишните и припокриващи се анкерни кутии, изчислителната тежест върху модела за откриване е значително намалена. Това означава, че моделът може да обработва изображения по-бързо, което е от решаващо значение за приложения в реално време като автономно шофиране и видеонаблюдение.
2. По-висока точност на откриване
Нашите усъвършенствани техники за работа с припокриващи се анкерни кутии водят до по-точна класификация и локализация на обекти. Моделът е по-малко вероятно да бъде объркан от припокриващи се кутии, което води до по-малко фалшиви положителни и фалшиви отрицателни резултати. Това е особено важно в приложения, при които се изисква високо прецизно откриване, като медицински изображения и промишлен контрол на качеството.
3. Подобрена устойчивост на модела
Оптимизираният дизайн на анкерна кутия, NMS алгоритъмът и стратегията за присвояване правят нашия модел за откриване на обекти по-стабилен за различни сценарии. Той може да обработва широк диапазон от размери, форми и плътности на обекти и все пак да поддържа добра производителност при наличие на припокриващи се обекти.
Свързани продукти и тяхната синергия
В допълнение към нашитеАнкерна глава, ние също предлагамеСвързващ вал на бормашинаиБормашина за пробиване. Тези продукти работят заедно синергично в строителната и проучвателната индустрия.
Свързващият вал на сондажната щанга осигурява надеждна връзка между различните сегменти на сондажната щанга, осигурявайки плавно сондиране. Бормашината за пробиване е проектирана да издържа на тежките условия на сондиране, с високоякостни материали и усъвършенствани производствени процеси. Когато се комбинират с нашата анкерна глава, която предлага ефективно откриване на обекти за сондажните зони (като откриване на наличието на подземни обекти), тези продукти формират цялостно решение за строителни и проучвателни проекти.
Свържете се с нас за поръчки
Ако се интересувате от нашата технология за закрепване на главата или някой от нашите свързани продукти, ви каним да се свържете с нас за доставка и по-нататъшно обсъждане. Нашият екип от експерти е готов да ви предостави подробна информация, техническа поддръжка и персонализирани решения, базирани на вашите специфични нужди. Независимо дали работите по мащабен строителен проект, задача за индустриална инспекция или изследователско приложение, нашите продукти могат да ви предложат производителността и надеждността, от които се нуждаете.
Референции
- Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Богати йерархии на функции за точно откриване на обекти и семантично сегментиране. В сборника на конференцията IEEE за компютърно зрение и разпознаване на образи.
- Ren, S., He, K., Girshick, R., & Sun, J. (2015). По-бърз R - CNN: Към откриване на обекти в реално време с мрежи за регионални предложения. В напредъка в системите за обработка на невронна информация.
- Редмън, Дж. и Фархади, А. (2018). YOLOv3: Постепенно подобрение. arXiv предпечат arXiv:1804.02767.