كيف يتعامل Anchor Head مع مشكلة تداخل صناديق التثبيت في اكتشاف الكائنات؟

في مجال اكتشاف الكائنات، تمثل مشكلة صناديق التثبيت المتداخلة تحديًا شائعًا يمكن أن يؤثر بشكل كبير على دقة وكفاءة عملية الكشف. كمورد رئيسي لرأس مرساةونحن ندرك أهمية معالجة هذه المشكلة بفعالية. في منشور المدونة هذا، سنستكشف كيف تتعامل تقنية Anchor Head مع مشكلة تداخل صناديق التثبيت وتأثيرها على اكتشاف الكائنات.

فهم مشكلة تداخل صناديق التثبيت

قبل الخوض في الحلول، من الضروري فهم سبب حدوث تداخل في مربعات التثبيت عند اكتشاف الكائنات. المربعات المرساة هي مربعات محيطة محددة مسبقًا بأحجام ونسب عرض إلى ارتفاع مختلفة موضوعة في مواضع مختلفة في شبكة الصور. إنها بمثابة نقطة انطلاق لخوارزمية اكتشاف الكائنات للتنبؤ بالمواقع الفعلية للأشياء.

يمكن أن تنشأ صناديق التثبيت المتداخلة لعدة أسباب. أولاً، يمكن أن يؤدي وجود كائنات متعددة على مقربة من بعضها البعض في الصورة إلى التداخل. على سبيل المثال، في مشهد شارع مزدحم، قد يكون المشاة والمركبات قريبين جدًا، مما يتسبب في تداخل صناديق التثبيت المقابلة لهم. ثانيًا، إن التنوع الكبير في أحجام الكائنات وأشكالها في صور العالم الحقيقي يعني أن هناك حاجة إلى العديد من صناديق التثبيت لتغطية جميع الحالات المحتملة. تزيد هذه الكثافة العالية لصناديق التثبيت من احتمالية التداخل.

مشكلة صناديق التثبيت المتداخلة ذات شقين. فمن ناحية، فإنه يقدم التكرار في عملية الكشف. قد تتنبأ مربعات الربط المتعددة القريبة من بعضها البعض بنفس الكائن، مما يهدر الموارد الحسابية والوقت. من ناحية أخرى، يمكن أن يؤدي إلى الارتباك في تصنيف وتوطين الكائنات. قد يواجه النموذج صعوبة في تحديد أي مربع ربط يجب أن يرتبط بكائن معين، مما يؤدي إلى نتائج اكتشاف غير دقيقة.

نهجنا في التعامل مع صناديق التثبيت المتداخلة

في شركتنا، تستخدم تقنية Anchor Head نهجًا متعدد الخطوات للتعامل مع مشكلة صناديق التثبيت المتداخلة.

1. تصميم واختيار صندوق التثبيت

نبدأ بتصميم واختيار صناديق التثبيت الخاصة بنا بعناية. يجري فريق البحث والتطوير لدينا بحثًا مكثفًا حول خصائص الكائنات المستهدفة، مثل متوسط ​​أحجامها ونسب العرض إلى الارتفاع والتوزيع في سيناريوهات مختلفة. بناءً على هذا البحث، قمنا بتحسين مجموعة صناديق التثبيت لتقليل التداخلات غير الضرورية.

على سبيل المثال، بدلاً من استخدام مجموعة ثابتة من مربعات الربط لجميع أنواع الصور، نقوم بتكييف أحجام مربعات التثبيت ونسب العرض إلى الارتفاع وفقًا للتطبيق المحدد. في سيناريو الفحص الصناعي حيث تكون الكائنات ذات أحجام وأشكال متسقة نسبيًا، يمكننا استخدام مجموعة أكثر استهدافًا من صناديق التثبيت. لا يقلل هذا النهج من عدد صناديق التثبيت المتداخلة فحسب، بل يعمل أيضًا على تحسين كفاءة نموذج الكشف.

2. غير - الحد الأقصى للقمع (NMS)

عدم - الحد الأقصى للقمع هو أسلوب يستخدم على نطاق واسع في اكتشاف الكائنات لتصفية مربعات التثبيت الزائدة والمتداخلة. تطبق تقنية Anchor Head الخاصة بنا إصدارًا متقدمًا من NMS.

المبدأ الأساسي لـ NMS هو فرز صناديق الربط بناءً على درجات الثقة الخاصة بها (احتمال أن يحتوي صندوق الربط على كائن). بعد ذلك، بدءًا من صندوق الارتساء ذي أعلى درجة ثقة، فإنه يقوم بشكل متكرر بإزالة جميع صناديق الارتساء الأخرى التي لديها درجة عالية من التداخل معه (عادةً ما يتم قياسه بواسطة التقاطع فوق الاتحاد - IoU).

ومع ذلك، فإن NMS التقليدي له بعض القيود، مثل إمكانية منع الاكتشافات الصحيحة عندما تكون الكائنات قريبة جدًا من بعضها البعض. تأخذ خوارزمية NMS المحسنة لدينا في الاعتبار سياق الكائنات ودلالاتها. يمكنه التمييز بين مربعات الربط المتداخلة التي تنتمي إلى كائنات مختلفة وتلك الزائدة عن الحاجة حقًا. يتيح لنا ذلك الحفاظ على معدل استدعاء أعلى مع الاستمرار في إزالة الصناديق الزائدة بشكل فعال.

3. استراتيجية تعيين صندوق المرساة

الجانب الرئيسي الآخر لنهجنا هو استراتيجية تعيين صندوق التثبيت. عند تدريب نموذج اكتشاف الكائنات، نحتاج إلى تعيين كل كائن أرضي حقيقي لواحد أو أكثر من صناديق التثبيت.

تم تصميم استراتيجيتنا لتقليل عدد مربعات الربط المتداخلة المخصصة لنفس الكائن. نحن نستخدم مجموعة من المعايير القائمة على الموقع والمعايير القائمة على المظهر لإجراء هذه المهام. على سبيل المثال، نأخذ في الاعتبار أولاً IoU بين مربع الحقيقة الأرضي وصناديق التثبيت. من المرجح أن يتم تعيين صناديق التثبيت ذات IoU العالية مع الأرض - مربع الحقيقة. ولكننا نأخذ أيضًا في الاعتبار الميزات المرئية للأشياء للتأكد من أن المهمة أكثر دقة.

لا تساعد استراتيجية التعيين هذه في تقليل مشكلة التداخل أثناء التدريب فحسب، بل تعمل أيضًا على تحسين الأداء العام للنموذج أثناء الاستدلال.

فوائد الحل لدينا

إن الطريقة التي تتعامل بها تقنية Anchor Head مع صناديق التثبيت المتداخلة تجلب فوائد عديدة لأنظمة اكتشاف الكائنات.

1. تحسين الكفاءة الحسابية

ومن خلال تقليل عدد صناديق التثبيت الزائدة والمتداخلة، يتم تقليل العبء الحسابي على نموذج الكشف بشكل كبير. وهذا يعني أن النموذج يمكنه معالجة الصور بشكل أسرع، وهو أمر بالغ الأهمية في التطبيقات في الوقت الفعلي مثل القيادة الذاتية والمراقبة بالفيديو.

2. دقة كشف أعلى

تؤدي تقنياتنا المتقدمة للتعامل مع صناديق التثبيت المتداخلة إلى تصنيف الكائنات وتوطينها بشكل أكثر دقة. من غير المرجح أن يتم الخلط بين النموذج بسبب المربعات المتداخلة، مما يؤدي إلى عدد أقل من النتائج الإيجابية الكاذبة والسلبيات الكاذبة. وهذا مهم بشكل خاص في التطبيقات التي تتطلب الكشف عالي الدقة، مثل التصوير الطبي ومراقبة الجودة الصناعية.

3. تعزيز متانة النموذج

إن التصميم الأمثل لصندوق التثبيت وخوارزمية NMS واستراتيجية التعيين يجعل نموذج الكشف عن الكائنات الخاص بنا أكثر قوة لسيناريوهات مختلفة. يمكنه التعامل مع نطاق واسع من أحجام الكائنات وأشكالها وكثافاتها، مع الحفاظ على الأداء الجيد في حالة وجود كائنات متداخلة.

المنتجات ذات الصلة وتآزرها

بالإضافة إلى لدينارأس مرساة، ونحن نقدم أيضاقضيب توصيل عمود الحفروقضيب الحفر للحفر. تعمل هذه المنتجات معًا بشكل تآزري في صناعات البناء والاستكشاف.

يوفر عمود توصيل قضيب الحفر اتصالاً موثوقًا بين الأجزاء المختلفة لقضيب الحفر، مما يضمن عمليات الحفر السلسة. تم تصميم قضيب الحفر ليتحمل ظروف الحفر القاسية، باستخدام مواد عالية القوة وعمليات تصنيع متقدمة. عند دمجها مع رأس التثبيت الخاص بنا، والذي يوفر اكتشافًا فعالاً للأشياء في المناطق المحفورة (مثل اكتشاف وجود الأجسام تحت الأرض)، تشكل هذه المنتجات حلاً شاملاً لمشاريع البناء والاستكشاف.

تواصل معنا للمشتريات

إذا كنت مهتمًا بتقنية Anchor Head الخاصة بنا أو أي من منتجاتنا ذات الصلة، فنحن ندعوك إلى الاتصال بنا للشراء وإجراء مزيد من المناقشة. فريق الخبراء لدينا على استعداد لتزويدك بالمعلومات التفصيلية والدعم الفني والحلول المخصصة بناءً على احتياجاتك الخاصة. سواء كنت تعمل في مشروع بناء واسع النطاق، أو مهمة فحص صناعي، أو تطبيق بحثي، يمكن أن توفر لك منتجاتنا الأداء والموثوقية التي تحتاجها.

مراجع

• جيرشيك، آر، دوناهو، جيه، داريل، تي، ومالك، جيه (2014). تسلسلات هرمية غنية بالميزات للكشف الدقيق عن الكائنات والتجزئة الدلالية. في وقائع مؤتمر IEEE حول رؤية الكمبيوتر والتعرف على الأنماط.
• رن، س.، هو، ك.، جيرشيك، ر.، وصن، ج. (2015). أسرع R-CNN: نحو اكتشاف الكائنات في الوقت الحقيقي باستخدام شبكات اقتراح المنطقة. التقدم في أنظمة معالجة المعلومات العصبية.
• ريدمون، ج.، وفرهادي، أ. (2018). YOLOv3: تحسن تدريجي. arXiv الطباعة المسبقة arXiv:1804.02767.