Nel campo del rilevamento di oggetti, il problema della sovrapposizione delle scatole di ancoraggio è una sfida comune che può avere un impatto significativo sull'accuratezza e sull'efficienza del processo di rilevamento. In qualità di fornitore leader diTesta di ancoraggio, comprendiamo l’importanza di affrontare questo problema in modo efficace. In questo post del blog esploreremo il modo in cui la nostra tecnologia Anchor Head affronta il problema della sovrapposizione delle scatole di ancoraggio e l'impatto che ha sul rilevamento degli oggetti.
Comprendere il problema della sovrapposizione delle scatole di ancoraggio
Prima di approfondire le soluzioni, è essenziale capire perché si verificano scatole di ancoraggio sovrapposte nel rilevamento degli oggetti. I riquadri di ancoraggio sono riquadri di delimitazione predefiniti di diverse dimensioni e proporzioni posizionati in varie posizioni nella griglia dell'immagine. Fungono da punto di partenza per l'algoritmo di rilevamento degli oggetti per prevedere le posizioni effettive degli oggetti.
La sovrapposizione di scatole di ancoraggio può verificarsi per diversi motivi. Innanzitutto, la presenza di più oggetti vicini tra loro in un'immagine può portare a sovrapposizioni. Ad esempio, in una scena stradale affollata, i pedoni e i veicoli potrebbero essere molto vicini, causando la sovrapposizione delle rispettive scatole di ancoraggio. In secondo luogo, la grande varietà di dimensioni e forme degli oggetti nelle immagini del mondo reale significa che sono necessarie molte scatole di ancoraggio per coprire tutti i casi possibili. Questa elevata densità di scatole di ancoraggio aumenta la probabilità di sovrapposizione.
Il problema con le scatole di ancoraggio sovrapposte è duplice. Da un lato, introduce ridondanza nel processo di rilevamento. Più scatole di ancoraggio vicine tra loro potrebbero prevedere lo stesso oggetto, il che spreca tempo e risorse computazionali. D'altro canto può creare confusione nella classificazione e localizzazione degli oggetti. Il modello potrebbe avere difficoltà a determinare quale casella di ancoraggio deve essere associata a un particolare oggetto, con conseguenti risultati di rilevamento imprecisi.
Il nostro approccio alla gestione delle scatole di ancoraggio sovrapposte
Nella nostra azienda, la nostra tecnologia Anchor Head utilizza un approccio in più fasi per affrontare il problema della sovrapposizione delle scatole di ancoraggio.
1. Progettazione e selezione della scatola di ancoraggio
Iniziamo progettando e selezionando attentamente le nostre scatole di ancoraggio. Il nostro team di ricerca e sviluppo conduce ricerche approfondite sulle caratteristiche degli oggetti target, come dimensioni medie, proporzioni e distribuzione in diversi scenari. Sulla base di questa ricerca, ottimizziamo il set di scatole di ancoraggio per ridurre le sovrapposizioni inutili.
Ad esempio, invece di utilizzare un set fisso di scatole di ancoraggio per tutti i tipi di immagini, adattiamo le dimensioni e le proporzioni delle scatole di ancoraggio in base all'applicazione specifica. In uno scenario di ispezione industriale in cui gli oggetti hanno dimensioni e forme relativamente costanti, possiamo utilizzare una serie più mirata di scatole di ancoraggio. Questo approccio non solo riduce il numero di scatole di ancoraggio sovrapposte, ma migliora anche l'efficienza del modello di rilevamento.
2. Soppressione non massima (NMS)
La soppressione non massima è una tecnica ampiamente utilizzata nel rilevamento di oggetti per filtrare le scatole di ancoraggio ridondanti e sovrapposte. La nostra tecnologia Anchor Head implementa una versione avanzata di NMS.
Il principio di base degli NMS è quello di ordinare le scatole di ancoraggio in base ai loro punteggi di confidenza (la probabilità che una scatola di ancoraggio contenga un oggetto). Quindi, iniziando dal riquadro di ancoraggio con il punteggio di confidenza più alto, rimuove in modo iterativo tutti gli altri riquadri di ancoraggio che presentano un elevato grado di sovrapposizione con esso (solitamente misurato dall'Intersezione sull'Unione - IoU).
Tuttavia, i sistemi NMS tradizionali presentano alcune limitazioni, come la possibilità di sopprimere rilevamenti validi quando gli oggetti sono molto vicini tra loro. Il nostro algoritmo NMS avanzato tiene conto del contesto e della semantica degli oggetti. Può distinguere tra scatole di ancoraggio sovrapposte che appartengono a oggetti diversi e quelle che sono veramente ridondanti. Ciò ci consente di mantenere un tasso di richiamo più elevato pur rimuovendo efficacemente le scatole ridondanti.
3. Strategia di assegnazione della casella di ancoraggio
Un altro aspetto chiave del nostro approccio è la strategia di assegnazione della casella di ancoraggio. Quando addestriamo il modello di rilevamento degli oggetti, dobbiamo assegnare ciascun oggetto ground- Truth a una o più scatole di ancoraggio.
La nostra strategia è progettata per ridurre al minimo il numero di scatole di ancoraggio sovrapposte assegnate allo stesso oggetto. Utilizziamo una combinazione di criteri basati sulla posizione e sull'aspetto per effettuare queste assegnazioni. Ad esempio, consideriamo innanzitutto l'IoU tra la ground- Truth Box e le Anchor Box. È più probabile che vengano assegnate scatole di ancoraggio con un elevato IoU con la scatola di verità a terra. Ma teniamo conto anche delle caratteristiche visive degli oggetti per garantire che l'assegnazione sia più accurata.
Questa strategia di assegnazione non solo aiuta a ridurre il problema di sovrapposizione durante l'addestramento, ma migliora anche le prestazioni complessive del modello durante l'inferenza.
Vantaggi della nostra soluzione
Il modo in cui la nostra tecnologia Anchor Head gestisce le scatole di ancoraggio sovrapposte apporta numerosi vantaggi ai sistemi di rilevamento di oggetti.
1. Miglioramento dell'efficienza computazionale
Riducendo il numero di scatole di ancoraggio ridondanti e sovrapposte, il carico computazionale sul modello di rilevamento viene significativamente ridotto. Ciò significa che il modello può elaborare le immagini più velocemente, il che è fondamentale nelle applicazioni in tempo reale come la guida autonoma e la videosorveglianza.
2. Maggiore precisione di rilevamento
Le nostre tecniche avanzate per la gestione delle scatole di ancoraggio sovrapposte portano a una classificazione e localizzazione degli oggetti più accurata. È meno probabile che il modello venga confuso dalla sovrapposizione di riquadri, con conseguente minor numero di falsi positivi e falsi negativi. Ciò è particolarmente importante nelle applicazioni in cui è richiesto un rilevamento ad alta precisione, come l'imaging medico e il controllo di qualità industriale.
3. Maggiore robustezza del modello
Il design ottimizzato della scatola di ancoraggio, l'algoritmo NMS e la strategia di assegnazione rendono il nostro modello di rilevamento degli oggetti più robusto per diversi scenari. Può gestire un'ampia gamma di dimensioni, forme e densità di oggetti e mantenere comunque buone prestazioni in presenza di oggetti sovrapposti.
Prodotti correlati e loro sinergia
Oltre al nsTesta di ancoraggio, offriamo ancheAlbero di collegamento dell'asta di perforazioneEAsta di perforazione per la perforazione. Questi prodotti lavorano insieme in sinergia nei settori dell'edilizia e dell'esplorazione.
L'albero di collegamento dell'asta di perforazione fornisce una connessione affidabile tra i diversi segmenti dell'asta di perforazione, garantendo operazioni di perforazione fluide. L'asta di perforazione per perforazione è progettata per resistere alle dure condizioni di perforazione, con materiali ad alta resistenza e processi di produzione avanzati. Se combinati con la nostra Anchor Head, che offre un rilevamento efficiente degli oggetti nelle aree perforate (come il rilevamento della presenza di oggetti sotterranei), questi prodotti costituiscono una soluzione completa per progetti di costruzione ed esplorazione.
Contattaci per l'approvvigionamento
Se sei interessato alla nostra tecnologia Anchor Head o a uno qualsiasi dei nostri prodotti correlati, ti invitiamo a contattarci per l'approvvigionamento e ulteriori discussioni. Il nostro team di esperti è pronto a fornirti informazioni dettagliate, supporto tecnico e soluzioni personalizzate in base alle tue esigenze specifiche. Che tu stia lavorando a un progetto di costruzione su larga scala, a un compito di ispezione industriale o a un'applicazione di ricerca, i nostri prodotti possono offrirti le prestazioni e l'affidabilità di cui hai bisogno.
Riferimenti
- Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Gerarchie di funzionalità avanzate per il rilevamento accurato degli oggetti e la segmentazione semantica. Negli Atti della conferenza IEEE sulla visione artificiale e il riconoscimento di modelli.
- Ren, S., He, K., Girshick, R., & Sun, J. (2015). R - CNN più veloce: verso il rilevamento di oggetti in tempo reale con le reti di proposte regionali. In Progressi nei sistemi di elaborazione delle informazioni neurali.
- Redmon, J. e Farhadi, A. (2018). YOLOv3: un miglioramento incrementale. arXiv prestampa arXiv:1804.02767.