Kompiuterinė rega: objektų aptikimo algoritmų atskleidimas

Kompiuterinė rega sparčiai keičia mūsų sąveiką su pasauliu. Iš esmės ji leidžia kompiuteriams „matyti“ ir interpretuoti vaizdus bei vaizdo įrašus, imituojant žmogaus regos sistemą. Viena iš pagrindinių kompiuterinės regos užduočių yra objektų aptikimas – procesas, kurio metu identifikuojami ir nustatoma objektų vieta vaizde ar vaizdo įrašo kadre. Šis išsamus vadovas gilinasi į žavų objektų aptikimo algoritmų pasaulį, nagrinėjant jų principus, pritaikymus ir nuolatinius pasiekimus, formuojančius DI ateitį.

Kas yra objektų aptikimas?

Objektų aptikimas yra daugiau nei paprasta vaizdų klasifikacija, kurios tikslas yra nustatyti, *kas* yra vaizde. Vietoj to, objektų aptikimas siekia atsakyti į abu klausimus: „kas“ ir „kur“. Jis ne tik nustato objektų buvimą, bet ir tiksliai nurodo jų vietą vaizde, naudojant apibrėžiančiuosius rėmelius (angl. bounding boxes). Šie rėmeliai paprastai apibrėžiami koordinatėmis (x, y) ir matmenimis (plotis, aukštis), efektyviai apibrėžiant aptiktus objektus. Ši galimybė yra itin svarbi įvairioms taikymo sritims, pradedant autonominėmis transporto priemonėmis ir baigiant medicininių vaizdų analize bei robotika.

Objektų aptikimo algoritmų evoliucija

Objektų aptikimo sritis patyrė nepaprastą evoliuciją, kurią lėmė mašininio mokymosi ir ypač giluminio mokymosi pažanga. Ankstyvieji metodai rėmėsi rankiniu būdu sukurtais požymiais ir skaičiavimo požiūriu brangiais procesais. Tačiau giluminio mokymosi, ypač konvoliucinių neuroninių tinklų (CNN), atsiradimas sukėlė revoliuciją šioje srityje, lėmusią reikšmingą tikslumo ir greičio pagerėjimą.

Ankstyvieji metodai (iki giluminio mokymosi)

• Viola-Jones algoritmas: Tai buvo vienas iš anksčiausių ir įtakingiausių objektų aptikimo algoritmų, ypač žinomas dėl savo realaus laiko veidų aptikimo galimybių. Jis naudojo Haar tipo požymius, integruotą vaizdo reprezentaciją ir klasifikatorių kaskadą, kad efektyviai identifikuotų objektus.
• Orientuotų gradientų histograma (HOG) + atraminių vektorių mašina (SVM): Šis metodas apėmė HOG požymių, kurie apibūdina gradientų pasiskirstymą vaizde, išskyrimą, o po to SVM klasifikatoriaus apmokymą identifikuoti objektus pagal šiuos požymius. Nors šie metodai buvo veiksmingi, juos dažnai ribojo priklausomybė nuo rankiniu būdu sukurtų požymių ir jie buvo ne tokie tikslūs kaip vėlesni giluminio mokymosi metodai.

Giluminio mokymosi era: paradigmos pokytis

Giluminis mokymasis iš esmės pakeitė objektų aptikimo sritį. CNN geba automatiškai išmokti hierarchinius požymius iš neapdorotų pikselių duomenų, todėl nereikia rankiniu būdu kurti požymių. Tai lėmė dramatišką našumo pagerėjimą ir gebėjimą apdoroti sudėtingus bei įvairius vaizdinius duomenis.

Giluminio mokymosi objektų aptikimo algoritmus galima plačiai suskirstyti į du pagrindinius tipus:

• Dviejų etapų detektoriai: Šie algoritmai paprastai apima du etapus: pirma, sričių pasiūlymų (potencialių objektų vietų) generavimą, o tada šių pasiūlymų klasifikavimą ir tikslinimą. Jie dažnai pasiekia didelį tikslumą, bet gali būti lėtesni.
• Vieno etapo detektoriai: Šie algoritmai atlieka ir objektų klasifikavimą, ir apibrėžiančiųjų rėmelių regresiją vienu etapu, todėl yra greitesni, bet kartais ne tokie tikslūs kaip dviejų etapų detektoriai.

Dviejų etapų objektų aptikimo algoritmai

Dviejų etapų detektoriai pasižymi dviejų žingsnių procesu. Pirmiausia jie pasiūlo dominančias sritis (ROI), kuriose tikėtina, kad yra objektų, o tada klasifikuoja tas sritis ir patikslina apibrėžiančiuosius rėmelius. Žymūs pavyzdžiai:

R-CNN (Region-based Convolutional Neural Networks)

R-CNN buvo novatoriškas algoritmas, įvedęs CNN naudojimo objektų aptikimui koncepciją. Jis veikia taip:

• Srities pasiūlymas: Algoritmas pirmiausia naudoja selektyvios paieškos algoritmą, kad sugeneruotų sričių pasiūlymų rinkinį – potencialius apibrėžiančiuosius rėmelius, kuriuose gali būti objektų.
• Požymių išskyrimas: Kiekvienas srities pasiūlymas yra transformuojamas į fiksuotą dydį ir perduodamas į CNN, kad būtų išgauti požymių vektoriai.
• Klasifikavimas ir apibrėžiančiojo rėmelio regresija: Išgauti požymių vektoriai tada naudojami klasifikuoti objektą kiekvienoje srityje ir patikslinti apibrėžiančiojo rėmelio koordinates.

Nors R-CNN pasiekė įspūdingų rezultatų, jis buvo skaičiavimo požiūriu brangus, ypač srities pasiūlymo etape, todėl išvadų darymo laikas buvo lėtas.

Fast R-CNN

Fast R-CNN patobulino R-CNN, dalindamasis konvoliuciniais skaičiavimais. Jis išgauna požymių žemėlapius iš viso vaizdo, o tada naudoja dominančios srities (RoI) telkimo sluoksnį, kad išgautų fiksuoto dydžio požymių žemėlapius kiekvienam srities pasiūlymui. Šis bendras skaičiavimas žymiai pagreitina procesą. Tačiau srities pasiūlymo etapas išliko kliūtimi.

Faster R-CNN

Faster R-CNN išsprendė srities pasiūlymo problemą, įtraukdamas sričių pasiūlymo tinklą (RPN). RPN yra CNN, kuris generuoja sričių pasiūlymus tiesiai iš požymių žemėlapių, todėl nereikia išorinių algoritmų, tokių kaip selektyvi paieška. Tai lėmė reikšmingą greičio ir tikslumo pagerėjimą. Faster R-CNN tapo labai įtakinga architektūra ir vis dar plačiai naudojama.

Pavyzdys: Faster R-CNN plačiai naudojamas įvairiose srityse, pavyzdžiui, stebėjimo sistemose įtartinai veiklai aptikti arba medicininiuose vaizduose navikams nustatyti.

Vieno etapo objektų aptikimo algoritmai

Vieno etapo detektoriai siūlo greitesnę alternatyvą dviejų etapų detektoriams, tiesiogiai numatydami objektų klases ir apibrėžiančiuosius rėmelius vienu etapu. Jie paprastai naudoja tinklelį arba atraminius rėmelius (angl. anchor boxes), kad numatytų objektų vietas. Keletas žymių pavyzdžių:

YOLO (You Only Look Once)

YOLO yra realaus laiko objektų aptikimo algoritmas, žinomas dėl savo greičio. Jis padalija įvesties vaizdą į tinklelį ir kiekvienai tinklelio ląstelei numato apibrėžiančiuosius rėmelius bei klasių tikimybes. YOLO yra greitas, nes apdoroja visą vaizdą vienu etapu. Tačiau jis gali būti ne toks tikslus kaip dviejų etapų detektoriai, ypač aptinkant mažus arba arti vienas kito esančius objektus. Buvo sukurta keletas YOLO versijų, kurių kiekviena tobulina ankstesnę.

Kaip veikia YOLO:

• Tinklelio padalijimas: Vaizdas padalijamas į S x S tinklelį.
• Numatymas ląstelėje: Kiekviena tinklelio ląstelė numato B apibrėžiančiųjų rėmelių, pasitikėjimo balus kiekvienam rėmeliui (kiek jis yra tikras, kad rėmelyje yra objektas) ir klasių tikimybes (kokio tipo objektas).
• Nereikalingų rėmelių slopinimas (NMS): NMS naudojamas pertekliniams apibrėžiantiesiems rėmeliams pašalinti.

Pavyzdys: YOLO puikiai tinka realaus laiko taikymams, pavyzdžiui, autonominiam vairavimui, kur greitis yra labai svarbus objektų aptikimui tiesioginiuose vaizdo srautuose. Jis taip pat naudojamas mažmeninėje prekyboje automatiniam atsiskaitymui ir atsargų valdymui.

SSD (Single Shot MultiBox Detector)

SSD yra dar vienas realaus laiko objektų aptikimo algoritmas, kuris sujungia YOLO greitį su pagerintu tikslumu. Jis naudoja kelis skirtingų mastelių požymių žemėlapius, kad aptiktų įvairių dydžių objektus. SSD pasiekia aukštą tikslumą generuodamas numatytuosius apibrėžiančiuosius rėmelius su skirtingais kraštinių santykiais keliuose požymių žemėlapių masteliuose. Tai leidžia geriau aptikti skirtingų dydžių ir formų objektus. SSD yra greitesnis už daugelį dviejų etapų detektorių ir dažnai yra geras pasirinkimas taikymams, kur svarbūs ir greitis, ir tikslumas.

Pagrindinės SSD savybės:

• Keli požymių žemėlapiai: SSD naudoja kelis skirtingų mastelių požymių žemėlapius objektams aptikti.
• Numatytieji rėmeliai: Jis naudoja numatytuosius apibrėžiančiuosius rėmelius (atraminius rėmelius) su skirtingais kraštinių santykiais, kad užfiksuotų įvairių dydžių objektus.
• Konvoliuciniai sluoksniai: SSD naudoja konvoliucinius sluoksnius tiek klasifikavimui, tiek apibrėžiančiųjų rėmelių regresijai.

Pavyzdys: SSD gali būti naudojamas mažmeninės prekybos aplinkoje, norint analizuoti klientų elgseną, stebėti judėjimą ir valdyti atsargas naudojant kameras.

Tinkamo algoritmo pasirinkimas

Objektų aptikimo algoritmo pasirinkimas priklauso nuo konkretaus taikymo ir kompromiso tarp tikslumo, greičio ir skaičiavimo išteklių. Štai bendros gairės:

• Tikslumas yra svarbiausia: Jei tikslumas yra svarbiausias veiksnys, apsvarstykite galimybę naudoti Faster R-CNN ar kitus pažangesnius dviejų etapų detektorius.
• Realaus laiko našumas yra kritiškai svarbus: Taikymams, reikalaujantiems realaus laiko apdorojimo, pavyzdžiui, autonominiam vairavimui ar robotikai, YOLO ar SSD yra puikus pasirinkimas.
• Skaičiavimo ištekliai yra riboti: Rinkdamiesi algoritmą, atsižvelkite į turimą apdorojimo galią ir atmintį. Kai kurie algoritmai yra skaičiavimo požiūriu brangesni nei kiti. Kraštiniams įrenginiams, pvz., išmaniesiems telefonams ar įterptinėms sistemoms, gali būti tinkamesnis lengvesnis algoritmas.

Pagrindiniai aspektai objektų aptikimui

Be algoritmo pasirinkimo, sėkmingam objektų aptikimui yra svarbūs keli veiksniai:

• Duomenų rinkinio kokybė: Mokymo duomenų rinkinio kokybė ir dydis yra labai svarbūs. Gerai paženklintas, įvairus ir reprezentatyvus duomenų rinkinys yra būtinas tiksliems modeliams apmokyti. Tai ypač svarbu sprendžiant šališkumo problemas, kurios gali lemti nesąžiningas ar netikslias prognozes.
• Duomenų augmentacija: Duomenų augmentacijos metodai, tokie kaip atsitiktinis apkarpymas, apvertimas ir mastelio keitimas, gali pagerinti modelio atsparumą ir apibendrinimo gebėjimus, didindami mokymo duomenų įvairovę.
• Aparatinė ir programinė įranga: Aparatinės įrangos (pvz., GPU) ir programinės įrangos bibliotekų (pvz., TensorFlow, PyTorch, OpenCV) pasirinkimas gali reikšmingai paveikti našumą.
• Mokymas ir hiperparametrų derinimas: Kruopštus hiperparametrų (pvz., mokymosi greičio, paketo dydžio) parinkimas ir mokymas pakankamą epochų skaičių yra labai svarbūs modelio našumui.
• Vertinimo metrika: Tinkamų vertinimo metrikų, tokių kaip tikslumas (precision), atkuriamumas (recall), vidutinis tikslumas (Average Precision, AP) ir sankirta virš sąjungos (Intersection over Union, IoU), supratimas ir naudojimas yra labai svarbūs vertinant modelio našumą.
• Realaus pasaulio sąlygos: Atsižvelkite į realaus pasaulio sąlygas, su kuriomis modelis susidurs, pavyzdžiui, apšvietimą, uždengimus ir objektų kintamumą. Modelis turi gerai apibendrinti įvairias sąlygas, kad būtų praktiškai naudingas.

Objektų aptikimo taikymai

Objektų aptikimas turi platų pritaikymo spektrą daugelyje pramonės šakų:

• Autonominės transporto priemonės: Pėsčiųjų, transporto priemonių, kelio ženklų ir kitų kliūčių identifikavimas.
• Robotika: Leidžia robotams suvokti aplinką ir su ja sąveikauti.
• Saugumas ir stebėjimas: Įtartinos veiklos aptikimas, įsibrovėlių identifikavimas ir viešųjų erdvių stebėjimas. Tai ypač naudinga saugumo pajėgoms ir teisėsaugos institucijoms visame pasaulyje, nuo policijos departamentų Jungtinėse Valstijose iki saugumo pajėgų Europoje ir Azijoje.
• Mažmeninė prekyba: Klientų elgsenos analizė, judėjimo stebėjimas ir atsiskaitymo procesų automatizavimas.
• Medicininė vaizdų analizė: Pagalba diagnozuojant ligas, aptinkant anomalijas medicininiuose vaizduose. Tai apima rentgeno nuotraukų, MRT ir KT skenavimų analizę – technologija, naudojama ligoninėse visame pasaulyje, nuo Jungtinės Karalystės iki Indijos ir kitur.
• Žemės ūkis: Pasėlių stebėjimas, kenkėjų aptikimas ir derliaus nuėmimo automatizavimas.
• Gamyba: Kokybės kontrolė, defektų aptikimas ir gamybos linijų automatizavimas.
• Sporto analitika: Žaidėjų sekimas, rungtynių įvykių analizė ir įžvalgų teikimas.
• Veidų atpažinimas ir biometrija: Asmenų identifikavimas ir tapatybės patvirtinimas.

Pavyzdys: Žemės ūkio srityje objektų aptikimas naudojamas Japonijos ūkiuose pasėlių augimui ir sveikatai stebėti. Šie duomenys leidžia ūkininkams optimizuoti drėkinimo ir tręšimo grafikus. Nyderlanduose jis naudojamas gėlių dydžiui ir sveikatai vertinti pardavimui didžiuosiuose gėlių turguose.

Objektų aptikimo ateitis

Objektų aptikimas yra sparčiai besivystanti sritis. Pagrindinės tendencijos ir ateities kryptys apima:

• Pagerintas tikslumas ir efektyvumas: Mokslininkai nuolat kuria naujus algoritmus ir metodus, siekdami pagerinti tikslumą ir sumažinti skaičiavimo sąnaudas.
• 3D objektų aptikimas: Objektų aptikimas 3D erdvėje, kuris yra labai svarbus tokioms sritims kaip autonominis vairavimas ir robotika.
• Objektų aptikimas vaizdo įrašuose: Algoritmų, galinčių tiksliai aptikti objektus vaizdo įrašų sekose, kūrimas.
• Mokymasis su keliais pavyzdžiais ir be pavyzdžių (Few-shot and Zero-shot Learning): Modelių mokymas aptikti objektus, turint ribotą kiekį arba neturint paženklintų duomenų.
• Paaiškinamas DI (XAI): Objektų aptikimo modelių interpretuojamumo didinimas, siekiant suprasti jų sprendimų priėmimo procesus. Tai ypač svarbu srityse, kur skaidrumas ir atskaitomybė yra esminiai, pavyzdžiui, medicininėje diagnostikoje ir teisiniuose procesuose.
• Domeno adaptacija: Modelių, galinčių prisitaikyti prie naujų aplinkų ir duomenų rinkinių su minimaliu permokymu, kūrimas. Tai labai svarbu diegiant modelius įvairiuose realaus pasaulio scenarijuose.
• Kraštinių įrenginių kompiuterija (Edge Computing): Objektų aptikimo modelių diegimas kraštiniuose įrenginiuose (pvz., išmaniuosiuose telefonuose, dronuose), siekiant užtikrinti realaus laiko apdorojimą su maža delsa.

Poveikis pasaulinėms pramonės šakoms: Kompiuterinės regos ir objektų aptikimo poveikis apima įvairias pasaulio pramonės šakas. Pavyzdžiui, statybų pramonėje tai padeda stebėti statybos projekto eigą. Tai užtikrina saugumą, identifikuojant rizikas statybvietėje naudojant dronus ir kameras, o tai ypač vertinga sudėtinguose projektuose, pavyzdžiui, didžiuosiuose pasaulio miestuose.

Išvada

Objektų aptikimas yra galinga ir universali technika, sukelianti revoliuciją įvairiose pramonės šakose visame pasaulyje. Nuo autonominio vairavimo iki medicininių vaizdų analizės ir saugumo – taikymo sritys yra plačios ir nuolat plečiasi. Giluminiam mokymuisi toliau vystantis, galime tikėtis dar sudėtingesnių ir efektyvesnių objektų aptikimo algoritmų atsiradimo, kurie dar labiau pakeis mūsų sąveiką su aplinkiniu pasauliu ir jo supratimą. Tai sparčiai besivystanti sritis, turinti didžiulį potencialą inovacijoms ir visuomeniniam poveikiui.

Objektų aptikimo naudojimas keičia įvairius sektorius visame pasaulyje. Pavyzdžiui, mados pramonėje objektų aptikimo algoritmai naudojami mados tendencijoms nustatyti ir drabužių stiliams analizuoti, o tai daro įtaką drabužių gamybai ir rinkodarai, nuo mažmeninės prekybos parduotuvių Paryžiuje iki internetinių parduotuvių Brazilijoje ir kitur.

Objektų aptikimas siūlo galingas galimybes taikymams įvairiose kultūrose ir ekonomikose. Suprasdami pagrindinius objektų aptikimo algoritmų principus ir praktinius pritaikymus, galite atverti naujas galimybes ir spręsti sudėtingus iššūkius įvairiose srityse visame pasaulyje.