Ученый искусственного интеллекта: новая модель DC-SPP-YOLO обеспечивает более точное обнаружение объектов в реальном времени

Новая модель повышает точность обнаружения объектов YOLOv2

Это резюме исследования - лишь одно из многих, которые еженедельно распространяются в информационном бюллетене для ученых в области ИИ. Чтобы начать получать еженедельную рассылку, зарегистрируйтесь здесь.

Выпуск You Only Look Once (YOLO) в 2016 году значительно повысил скорость и точность обнаружения объектов в реальном времени. Еще лучше то, что с появлением YOLOv2 обнаружение объектов в реальном времени вышло на новый уровень. В то время как YOLOv2 исключительно быстро обнаруживает объекты в реальном времени; он имеет низкую пропускную способность магистральной сети для извлечения функций и поэтому не работает, когда доходит до полного использования многомасштабных функций локального региона, что значительно ограничивает точность.

С YOLOv3 скорость обнаружения объектов снизилась из-за чрезмерного использования сетевых уровней. Чтобы решить эту проблему, исследователи предложили подход DC-SPP-YOLO для повышения точности обнаружения объектов YOLOv2.

YOLO на основе плотных соединений и пространственной пирамиды (DC-SPP)

Подход DC-SPP улучшает YOLOv2 за счет оптимизации структуры соединений в магистральной сети и вводит многомасштабное извлечение характеристик локальной области. Таким образом, предлагаемый подход более точен, чем YOLOv2. Он обеспечивает скорость обнаружения объектов, близкую к YOLOv2, и выше, чем у традиционных методов обнаружения объектов, таких как деконволюционный детектор одиночных выстрелов (DSSD), масштабируемая сеть обнаружения (STDN) и YOLOv3.

DC-SPP-YOLO специально использует соединение сверточных слоев в магистральной сети YOLOv2, чтобы усилить извлечение признаков и минимизировать проблему исчезающего градиента. Кроме того, он вводит улучшенное объединение пространственных пирамид и объединяет многомасштабные особенности локальных регионов, чтобы помочь сети изучить особенности объектов более всесторонним образом.

Модель DC-SPP-YOLO была обучена на основе новой функции потерь, состоящей из среднеквадратичной ошибки и перекрестной энтропии, для более точной реализации обнаружения объектов. Тестовые эксперименты показывают, что карта DC-SPP-YOLO в наборах данных PASCAL VOC и UA-DETRAC больше, чем у YOLOv2.

Возможное использование и эффекты

За счет усиления выделения функций и использования многомасштабных функций локальной области DC-SPP-YOLO обеспечивает точность обнаружения объектов в реальном времени, которая превосходит YOLOv2. Этот подход может использоваться для создания более точных современных приложений компьютерного зрения в мониторинге безопасности, медицинской диагностике, автоматическом вождении и многом другом.

Спасибо за чтение. Прокомментируйте, поделитесь и не забудьте подписаться! Также подписывайтесь на меня в Twitter и LinkedIn. Не забудьте 👏, если вам понравилась эта статья. Ваше здоровье!