SkarpChapter 2 of 3
Yksi kuva, kolme koiraa: miten malli päättää, mihin laatikko piirretään?
Kuuntelijat osaavat jäljittää, miten kohteentunnistin muuttaa kuva-alue-ehdotukset luokiksi ja rajauslaatikoiksi sekä miksi samaa kohdetta kuvaavat päällekkäiset havainnot täytyy yhdistää.
1. Kuvassa ei ole vain yksi vastaus
Luokittelu vai kohteentunnistus?
Kuvaluokittelija voi sanoa vain `koira`. Kohteentunnistin palauttaa useita havaintoja: mikä kohde löytyi, missä se on ja kuinka vahva ennuste on.
Laatikko on sijaintiarvio
Rajauslaatikko on suorakulmio. Se ei ole kohteen tarkka ääriviiva, vaan käyttökelpoinen vastaus kysymykseen: millä kuva-alueella kohde on?
2. Ensimmäinen kysymys: missä voisi olla jokin kohde?
Ehdotus ei vielä nimeä kohdetta
R P N:n ensimmäinen tehtävä on kysyä: onko tässä jotakin? Se tuottaa mahdollisia suorakulmioita ja pisteen, joka kuvaa kohteen mahdollisuutta verrattuna taustaan.
Erikokoiset ankkurit
Samassa kuvan kohdassa voidaan kokeilla pieniä, suuria, leveitä ja korkeita viitelaatikoita. Verkko oppii korjaamaan niitä kohti näkyvän kohteen rajoja.
3. Toinen kysymys: mikä ehdotuksen sisällä on?
Kaksi ulostuloa samasta alueesta
Jokaiselle lupaavalle alueelle ennustetaan luokka ja laatikon korjaus. Luokka kertoo, mitä alueella on; korjaus sovittaa suorakulmion paremmin kohteeseen.
Piste ei ole lupaus
Varmuuspiste auttaa järjestämään havainnot. `0,94` on vahvempi kuin `0,71`, mutta pisteen tulkinta täsmälliseksi todellisuuden todennäköisyydeksi vaatisi erillistä kalibrointia.
4. Ajatuskoe: miksi yksi koira näkyy neljästi?
Pysäytä kuva mielessä
Etualan labradorinnoutajasta syntyy neljä ehdotusta. Ne ovat lähes samassa paikassa, mutta yksi on liian leveä, toinen liian korkea ja kaksi osuu melko hyvin. Niiden `koira`-pisteet ovat 0,96, 0,93, 0,87 ja 0,42.
Kysymys ei ole: "Onko kuvassa neljä koiraa?" Kysymys on: kuvaavatko laatikot samaa koiraa vai eri koiria?
Tämä erottelu on ratkaiseva esimerkiksi ruuhkalaskennassa. Jos valvontakamera raportoi yhdestä polkupyöräilijästä kolme lähes identtistä laatikkoa, järjestelmä ei saa laskea häntä kolmeksi ihmiseksi.
5. Päällekkäisyyden mittari: IoU
I O U mittaa laatikoiden yhteistä aluetta
`I O U = päällekkäinen alue / yhdisteen alue`. Arvo 0 tarkoittaa, ettei yhteistä aluetta ole. Arvo 1 tarkoittaa täysin samoja laatikoita.
Geometria ei tiedä luokkaa
Korkea I O U kertoo, että laatikot ovat lähes päällekkäin. Se ei yksin kerro, ovatko ne sama havainto: päätöksessä tarkastellaan myös luokkaa ja varmuuspistettä.
6. Karsinta: säilytä vahvin, poista kaksoiskappaleet
N M S -karsinnan toimintalogiikka
Säilytä ensin korkein piste. Sen jälkeen poista sille hyvin päällekkäiset, heikompipisteiset laatikot. Toista menettely jäljelle jääville havainnoille.
Raja on kompromissi
Matala I O U -raja voi poistaa aidosti eri, lähekkäisiä kohteita. Korkea raja voi jättää saman kohteen kaksoiskappaleiksi. Sopiva arvo riippuu käyttötarkoituksesta.
7. Käännä käsitteet mieleen
Käännä kortit ja yhdistä termi sen tehtävään tunnistimen käsittelyketjussa.
- Kohde-ehdotus
- Mahdollista kohdetta kuvaava laatikkoaihio, jolle annetaan piste siitä, erottuuko se todennäköisesti taustasta.
- Rajauslaatikko
- Suorakulmio, joka arvioi kohteen sijainnin ja koon kuvassa.
- I O U
- Kahden laatikon päällekkäisen alueen suhde niiden yhdisteen pinta-alaan.
- N M S -karsinta
- Menettely, joka säilyttää vahvimman havainnon ja poistaa sitä hyvin päällekkäiset heikommat kaksoiskappaleet.
8. Valitse oikea päätös
Kuvassa on kaksi vierekkäin seisovaa koiraa. Malli antaa niille kaksi laatikkoa, joiden I O U on 0,18, vaikka molempien luokka on `koira`. Mitä N M S -karsinnan pitäisi tavallisesti tehdä?
Kuvassa on kaksi vierekkäin seisovaa koiraa. Malli antaa niille kaksi laatikkoa, joiden I O U on 0,18, vaikka molempien luokka on `koira`. Mitä N M S -karsinnan pitäisi tavallisesti tehdä?
- Säilyttää molemmat laatikot, koska niiden päällekkäisyys on pieni ja ne voivat kuvata eri kohteita.
- Poistaa matalampipisteisen laatikon aina, koska luokka on sama.
- Poistaa toisen laatikon, koska kuvassa saa olla vain yksi saman luokan havainto.
Show Answer
Answer: A) Säilyttää molemmat laatikot, koska niiden päällekkäisyys on pieni ja ne voivat kuvata eri kohteita.
Pieni I O U viittaa siihen, että laatikot ovat geometrisesti erillisiä. Sama luokka ei tarkoita samaa yksilöä: kuvassa voi olla useita koiria. N M S -karsinnan tarkoitus on poistaa saman kohteen päällekkäisiä kaksoishavaintoja, ei rajoittaa havaintoja yhteen laatikkoon per luokka.
Key Terms
- I O U
- Leikkauksen ja yhdisteen suhde: kahden laatikon päällekkäisyyttä mittaava arvo välillä 0 ja 1.
- N M S
- Päällekkäisten havaintojen karsinta, jossa vahvin laatikko säilytetään ja hyvin päällekkäisiä heikompia laatikoita poistetaan.
- varmuuspiste
- Mallin antama piste, jolla havainnot voidaan asettaa vahvuusjärjestykseen.
- kohde-ehdotus
- Mahdollista kohdetta kuvaava alustava kuva-alue.
- rajauslaatikko
- Suorakulmio, joka arvioi kohteen sijainnin kuvassa.