האָבן איר אלץ געווען ימפּרעסט דורך די פיייקייט פון דיין סמאַרטפאָנע אַפּאַראַט צו דערקענען פנימער אין אַ גרופּע פאָטאָ?
טאָמער איר האָט שוין דערשטוינט פון ווי זיך-דרייווינג קאַרס סימלאַסלי נאַוויגירן פאַרקער, ידענטיפיצירן פּאַדעסטריאַנז און אנדערע וועהיקלעס מיט גלייבן אַקיעראַסי.
די פּאָנעם סופּערנאַטוראַל דערגרייכונגען זענען געמאכט מעגלעך דורך כייפעץ דיטעקשאַן, אַ פאַסאַנייטינג ונטערטעניק פון פאָרשונג. סימפּלי געזאגט, כייפעץ דיטעקשאַן איז די לעגיטימאַציע און לאָוקאַלאַזיישאַן פון אַבדזשעקץ ין בילדער אָדער ווידיאס.
דאָס איז די טעכנאָלאָגיע וואָס אַלאַוז קאָמפּיוטערס צו "זען" און באַגרייַפן די וועלט אַרום זיי.
אָבער ווי טוט דעם גלייבן פּראָצעדור אַרבעט? מיר זען אַז טיף לערנען האט רעוואַלושאַנייזד די געגנט פון כייפעץ לעגיטימאַציע. עס עפן דעם וועג פֿאַר אַ פּלאַץ פון אַפּלאַקיישאַנז וואָס האָבן אַ דירעקט השפּעה אויף אונדזער טעגלעך לעבן.
אין דעם פּאָסטן, מיר וועלן גיין דורך די פאַסאַנייטינג מעלוכע פון טיף לערנען-באזירט אַבדזשעקץ לעגיטימאַציע, לערנען ווי עס האט די פּאָטענציעל פון רישאַפּינג די וועג מיר ינטעראַקט מיט טעכנאָלאָגיע.
וואָס פּונקט איז אָבדזשעקט דעטעקשאַן?
איינער פון די מערסט פונדאַמענטאַל קאָמפּיוטער זעאונג טאַסקס איז כייפעץ דיטעקשאַן, וואָס ינוואַלווז דערגייונג און לאָוקייטינג פאַרשידן ייטאַמז אין אַ בילד אָדער ווידעא.
אין פאַרגלייַך מיט בילד קלאַסאַפאַקיישאַן, ווו די סאָרט פירמע פון יעדער כייפעץ איז באשלאסן, דיטעקשאַן פון אַבדזשעקץ גייט איין שריט ווייַטער דורך ניט בלויז ידענטיפיצירן דעם בייַזייַן פון יעדער כייפעץ, אָבער אויך צייכענונג באַונדינג באָקסעס אַרום יעדער.
ווי אַ רעזולטאַט, מיר קענען סיימאַלטייניאַסלי ידענטיפיצירן די טייפּס פון אַבדזשעקץ פון אינטערעס און פּונקט געפינען זיי.
די פיייקייט צו דעטעקט אַבדזשעקץ איז יקערדיק פֿאַר פילע אַפּלאַקיישאַנז, אַרייַנגערעכנט אָטאַנאַמאַס דרייווינג, סערוויילאַנס, פּנים דערקענונג, און מעדיציניש ימידזשינג.
צו שעפּן דעם שווער אַרויסרופן מיט בוילעט אַקיעראַסי און פאַקטיש-צייט פאָרשטעלונג, טיף לערנען-באזירט טעקניקס האָבן פארוואנדלען כייפעץ דיטעקשאַן.
טיף לערנען איז לעצטנס ימערדזשד ווי אַ שטאַרק סטראַטעגיע פֿאַר אָוווערקאַמינג די שוועריקייטן, טשאַנגינג די אַבדזשעקץ דערקענונג אינדוסטריע.
די R-CNN משפּחה און די Yolo משפּחה זענען צוויי געזונט-באקאנט מאָדעל משפחות אין כייפעץ לעגיטימאַציע וואָס וועט זיין יגזאַמאַנד אין דעם אַרטיקל.
R-CNN משפּחה: פּייאַנירינג אָבדזשעקט דעטעקשאַן
דער פרי אָבדזשעקט דערקענונג פאָרשונג האט וויטנאַסט היפּש אַדוואַנטידזשיז דאַנק צו די R-CNN משפּחה, וואָס כולל R-CNN, Fast R-CNN און Faster R-CNN.
מיט זיין דריי-מאָדול אַרקאַטעקטשער, R-CNN פארגעלייגט מקומות געניצט אַ CNN צו עקסטראַקט פֿעיִקייטן, און קלאַסאַפייד אַבדזשעקץ ניצן לינעאַר סווומס.
R-CNN איז געווען ריכטיק, כאָטש עס האָט געדויערט אַ בשעת ווייַל קאַנדידאַט געגנט בידס זענען פארלאנגט. דאָס איז געווען באהאנדלט דורך Fast R-CNN, וואָס געוואקסן עפעקטיווקייַט דורך צונויפגיסן אַלע מאַדזשולז אין אַ איין מאָדעל.
דורך אַדינג אַ געגנט פּראָפּאָסאַל נעטוואָרק (RPN) וואָס באשאפן און ימפּרוווד געגנט פּראַפּאָוזאַלז בעשאַס טריינינג, פאַסטער R-CNN באטייטיק ימפּרוווד פאָרשטעלונג און אַטשיווד כּמעט פאַקטיש-צייט כייפעץ דערקענונג.
פון R-CNN צו Faster R-CNN
די R-CNN משפּחה, וואָס שטייט פֿאַר "רעגיאָן-באזירט קאָנוואָלוטיאָנאַל נעוראַל נעטוואָרקס," האט פּייאַנירד אַדוואַנסיז אין כייפעץ דיטעקשאַן.
די משפּחה ינקלודז R-CNN, Fast R-CNN און Faster R-CNN, וואָס זענען אַלע דיזיינד צו האַנדלען מיט אַבדזשעקץ לאָוקאַלאַזיישאַן און דערקענונג טאַסקס.
דער אָריגינעל R-CNN, באַקענענ אין 2014, דעמאַנסטרייטיד די געראָטן נוצן פון קאַנוואַלושאַנאַל נעוראַל נעטוואָרקס פֿאַר כייפעץ דיטעקשאַן און לאָוקאַלאַזיישאַן.
עס האָט גענומען אַ דריי-שריט סטראַטעגיע וואָס ינקלודז געגנט פאָרשלאָג, שטריך יקסטראַקשאַן מיט אַ CNN און אַבדזשעקט קלאַסאַפאַקיישאַן מיט לינעאַר סופּפּאָרט וועקטאָר מאַשין (SVM) קלאַססיפיערס.
נאָך די קאַטער פון Fast R-CNN אין 2015, גיכקייַט פּראָבלעמס זענען סאַלווד דורך קאַמביינינג געגנט פאָרשלאָג און קלאַסאַפאַקיישאַן אין אַ איין מאָדעל, דראַמאַטיקלי לאָוערינג טריינינג און ינפעראַנס צייט.
Faster R-CNN, באפרייט אין 2016, ימפּרוווד גיכקייַט און אַקיעראַסי דורך אַרייַנגערעכנט אַ געגנט פּראָפּאָסאַל נעטוואָרק (RPN) בעשאַס טריינינג צו געשווינד פאָרשלאָגן און רעוויסע געביטן.
ווי אַ רעזולטאַט, Faster R-CNN האט געגרינדעט זיך ווי איינער פון די לידינג אַלגערידאַמז פֿאַר אַבדזשעקץ דיטעקשאַן טאַסקס.
די ינקאָרפּעריישאַן פון SVM קלאַססיפיערס איז געווען קריטיש פֿאַר די הצלחה פון די R-CNN משפּחה, טשאַנגינג די געגנט פון קאָמפּיוטער זעאונג און ארויפלייגן דעם וועג פֿאַר צוקונפֿט דערגרייכונגען אין טיף לערנען-באזירט כייפעץ דיטעקשאַן.
Strengths:
- הויך לאָוקאַלאַזיישאַן כייפעץ דיטעקשאַן אַקיעראַסי.
- אַקיעראַסי און עפעקטיווקייַט זענען באַלאַנסט דורך די יונאַפייד פּלאַן פון פאַסטער R-CNN.
וויקנאַסאַז:
- ינפעראַנס מיט R-CNN און Fast R-CNN קענען זיין גאַנץ לאַבאָריאַס.
- פֿאַר פאַסטער R-CNN צו אַרבעטן אין זיין בעסטער, פילע רעגיאָנאַל פּראַפּאָוזאַלז קען נאָך זיין נויטיק.
YOLO משפּחה: אָבדזשעקט דעטעקשאַן אין פאַקטיש צייט
די YOLO משפּחה, באזירט אויף דער באַגריף פון "איר נאָר קוק אַמאָל" עמפאַסייזיז פאַקטיש-צייט אַבדזשעקץ דערקענונג בשעת קרבן פּינטלעכקייַט.
דער אָריגינעל YOLO מאָדעל קאָנסיסטעד פון אַ איין נעוראַל נעץ וואָס גלייך פּרעדיקטעד באַונדינג באָקסעס און קלאַס לאַבעלס.
טראָץ זיין ווייניקער פּרידיקטיישאַן אַקיעראַסי, YOLO קענען אַרבעטן אין ספּידז פון אַרויף צו 155 ראָמען פּער סעקונדע. YOLOv2, אויך באקאנט ווי YOLO9000, האָט גערעדט עטלעכע פון די כיסאָרן פון דער אָריגינעל מאָדעל דורך פּרידיקטינג 9,000 כייפעץ קלאסן און אַרייַנגערעכנט אַנקער באָקסעס פֿאַר מער האַרט פֿאָרויסזאָגן.
YOLOv3 ימפּרוווד אפילו ווייַטער, מיט אַ מער ברייט שטריך דעטעקטאָר נעץ.
ינער ווערקינגז פון די YOLO משפּחה
די אָבדזשעקט לעגיטימאַציע מאָדעלס אין די YOLO (איר נאָר קוק אַמאָל) משפּחה האָבן ימערדזשד ווי אַ נאָוטאַבאַל דערגרייה אין קאָמפּיוטער זעאונג.
YOLO, וואָס איז געווען באַקענענ אין 2015, פּרייאָראַטייז גיכקייַט און פאַקטיש-צייט כייפעץ לעגיטימאַציע דורך גלייך אַנטיסאַפּייטינג באַונדינג באָקסעס און קלאַס לאַבעלס.
כאָטש עטלעכע פּינטלעכקייַט איז מקריב, עס אַנאַליזעס פאָטאָס אין פאַקטיש-צייט, מאכן עס נוציק פֿאַר צייט-קריטיש אַפּלאַקיישאַנז.
YOLOv2 ינקאָרפּערייטיד אַנקער באָקסעס פֿאַר דילינג מיט פאַרשידן נומער וואָג און טריינד אויף פילע דאַטאַסעץ צו ריכטנ זיך איבער 9,000 כייפעץ קלאסן.
אין 2018, YOLOv3 ענכאַנסט די משפּחה אפילו ווייַטער מיט אַ דיפּער שטריך דעטעקטאָר נעץ, ימפּרוווינג אַקיעראַסי אָן סאַקראַפייסינג פאָרשטעלונג.
די YOLO משפּחה פּרידיקס באַונדינג באָקסעס, קלאַס מאַשמאָעס און אַבדזשעקטנאַס סקאָרז דורך דיוויידינג די בילד אין אַ גריד. עס יפישאַנטלי בלענדז גיכקייַט און פּינטלעכקייַט, מאכן עס אַדאַפּטאַבאַל פֿאַר נוצן אין אָטאַנאַמאַס וועהיקלעס, סערוויילאַנס, כעלטקער, און אנדערע פעלדער.
די YOLO סעריע האט פארוואנדלען אָבדזשעקט לעגיטימאַציע דורך פּראַוויידינג פאַקטיש-צייט סאַלושאַנז אָן סאַקראַפייסינג באַטייטיק אַקיעראַסי.
פֿון YOLO צו YOLOv2 און YOLOv3, די משפּחה האט געמאכט היפּש אַדוואַנסיז אין ימפּרוווינג אַבדזשעקץ דערקענונג אַריבער ינדאַסטריז, גרינדן די סטאַנדאַרט פֿאַר מאָדערן טיף לערנען-באזירט אָבדזשעקט דיטעקשאַן סיסטעמען.
Strengths:
- דיטעקטינג אַבדזשעקץ אין פאַקטיש-צייט מיט הויך ראַם רייץ.
- פעסטקייַט אין באַונדינג קעסטל פֿאָרויסזאָגן איז באַקענענ אין YOLOv2 און YOLOv3.
וויקנאַסאַז:
- YOLO מאָדעלס קענען געבן אַרויף עטלעכע אַקיעראַסי אין וועקסל פֿאַר גיכקייַט.
מאָדעל משפּחה פאַרגלייַך: אַקיעראַסי ווס עפיקאַסי
ווען די R-CNN און YOLO פאַמיליעס זענען קאַמפּערד, עס איז קלאָר אַז אַקיעראַסי און עפעקטיווקייַט זענען וויכטיק האַנדל-אָפס. R-CNN משפּחה מאָדעלס יקסעליד אין אַקיעראַסי אָבער זענען סלאָוער בעשאַס ינפעראַנס רעכט צו זייער דריי-מאָדולע אַרקאַטעקטשער.
די YOLO משפּחה, אויף די אנדערע האַנט, פּרייאָראַטייז פאַקטיש-צייט פאָרשטעלונג, פּראַוויידינג בוילעט גיכקייַט בשעת לוזינג עטלעכע פּינטלעכקייַט. דער באַשלוס צווישן די מאָדעל פאַמיליעס איז באשלאסן דורך די ספּעציפיש רעקווירעמענץ פון די אַפּלאַקיישאַן.
R-CNN משפּחה מאָדעלס קען זיין בילכער פֿאַר ווערקלאָודז וואָס דאַרפן עקסטרעם פּינטלעכקייַט, כאָטש YOLO משפּחה מאָדעלס זענען פּאַסיק פֿאַר פאַקטיש-צייט אַפּלאַקיישאַנז.
ווייַטער פון אָבדזשעקט דערקענונג: פאַקטיש-וועלט אַפּלאַקיישאַנז
ווייַטער פון נאָרמאַל אַבדזשעקץ דערקענונג טאַסקס, טיף לערנען-באזירט כייפעץ דיטעקשאַן האט געפֿונען אַ ברייט קייט פון ניצט.
זיין אַדאַפּטאַבילאַטי און פּינטלעכקייַט האָבן באשאפן נייַע אַפּערטונאַטיז אין אַ פאַרשיידנקייַט פון סעקטאָרס, אַדרעסינג קאָמפּליצירט טשאַלאַנדזשיז און יבערמאַכן געשעפטן.
אַוטאָנאָמאָוס וועהיקלעס: באַשטעטיקן די נאָרמאַל פֿאַר זיכער דרייווינג
אָבדזשעקט דיטעקשאַן איז קריטיש אין אָטאַנאַמאַס קאַרס פֿאַר אַשורינג זיכער און פאַרלאָזלעך נאַוויגאַציע.
טיף לערנען מאָדעלס צושטעלן קריטיש אינפֿאָרמאַציע פֿאַר אָטאַנאַמאַס דרייווינג סיסטעמען דורך רעקאַגנייזינג און לאָוקאַלייזינג פּאַדעסטריאַנז, סייקאַליסץ, אנדערע קאַרס און מעגלעך וועג כאַזערדז.
די מאָדעלס לאָזן וועהיקלעס נעמען פאַקטיש-צייט ברירות און פאַרמייַדן קאַליזשאַנז, ברענגען אונדז נעענטער צו אַ צוקונפֿט אין וואָס זיך-דרייווינג קאַרס קאָואַגזיסט מיט מענטשלעך דריווערס.
ינקרעאַסינג עפיקאַסי און זיכערהייט אין די לאַכאָדימ אינדוסטריע
די לאַכאָדימ געשעפט האט עמברייסט טיף לערנען-באזירט כייפעץ דיטעקשאַן צו שטארק פֿאַרבעסערן זייַן אַפּעריישאַנז.
אָבדזשעקט דיטעקשאַן אַידז אין די לעגיטימאַציע און טראַקינג פון פּראָדוקטן אויף קראָם שעלוועס, אַלאַוינג פֿאַר מער עפעקטיוו ריסטאַקינג און די רעדוקציע פון סיטואַטיאָנס אָן לאַגער.
דערצו, סערוויילאַנס סיסטעמען יקוויפּט מיט אַלגערידאַמז פֿאַר דיטעקשאַן פון אַבדזשעקס הילף אין דער פאַרהיטונג פון גנייווע און די וישאַלט פון קראָם זיכערהייט.
אנטוויקלונג פון מעדיציניש ימאַגינג אין העאַלטהקאַרע
טיף לערנען-באזירט כייפעץ דיטעקשאַן איז געווארן אַ וויטאַל געצייַג אין מעדיציניש ימידזשינג אין די כעלטקער סעקטאָר.
עס אַסיס כעלטקער פּראַקטישנערז אין ספּאַטינג אַבנאָרמאַלאַטיז אין X-שטראַלן, MRI סקאַנז און אנדערע מעדיציניש בילדער, אַזאַ ווי קאַנסערס אָדער מאַלפאָרמיישאַנז.
אָבדזשעקט לעגיטימאַציע אַידז אין פרי דיאַגנאָסיס און באַהאַנדלונג פּלאַנירונג דורך ידענטיפיצירן און כיילייטינג ספּעציפיש לאָוקיישאַנז פון דייַגע.
ענכאַנסינג זיכערקייַט דורך זיכערהייט און סערוויילאַנס
אָבדזשעקט דיטעקשאַן קענען זיין ינקרעדאַבלי נוציק אין זיכערהייט און סערוויילאַנס אַפּלאַקיישאַנז.
טיף לערנען אַלגערידאַמז אַרוישעלפן וואַך קראַודז, ידענטיפיצירן סאַספּישאַס נאַטור און דיטעקטינג פּאָטענציעל דיינדזשערז אין ציבור ערטער, ערפּאָרץ און טראַנספּערטיישאַן כאַבז.
די סיסטעמען קענען וואָרענען זיכערהייט פּראָפעססיאָנאַלס אין פאַקטיש-צייט דורך קאַנטיניואַסלי אָפּשאַצן ווידעא פידז, פּרעווענטינג זיכערהייט בריטשיז און ינשורינג ציבור זיכערקייַט.
קראַנט מניעות און צוקונפֿט פּראַספּעקס
טראָץ באַטייַטיק אַדוואַנסיז אין טיף לערנען-באזירט כייפעץ דיטעקשאַן, פּראָבלעמס בלייבן. דאַטאַ פּריוואַטקייט איז אַ ערנסט דייַגע, ווייַל אַבדזשעקץ דיטעקשאַן אָפט ינשורז אָנפירונג שפּירעוודיק אינפֿאָרמאַציע.
אן אנדער שליסל פּראָבלעם איז ינשורינג ריזיליאַנס קעגן אַדווערסאַריאַל אנפאלן.
רעסעאַרטשערס זענען נאָך קוקן פֿאַר וועגן צו פאַרגרעסערן מאָדעל גענעראַליזאַטיאָן און ינטערפּריטאַביליטי.
מיט אָנגאָינג פאָרשונג קאַנסאַנטרייטינג אויף מאַלטי-אָבדזשעקט לעגיטימאַציע, ווידעא אַבדזשעקץ טראַקינג און פאַקטיש-צייט 3 ד אָבדזשעקט דערקענונג, די צוקונפֿט מיינט ליכטיק.
מיר זאָל דערוואַרטן אפילו מער גענוי און עפעקטיוו סאַלושאַנז באַלד ווי טיף לערנען מאָדעלס פאָרזעצן צו וואַקסן.
סאָף
טיף לערנען האט פארוואנדלען אָבדזשעקט דיטעקשאַן, אַשערינג אין אַ תקופה פון גרעסערע פּינטלעכקייַט און עפעקטיווקייַט. די R-CNN און YOLO פאַמיליעס האָבן געשפילט קריטיש ראָלעס, יעדער מיט בוילעט קייפּאַבילאַטיז פֿאַר זיכער אַפּלאַקיישאַנז.
טיף לערנען-באזירט כייפעץ לעגיטימאַציע איז רעוואַלושאַנייזינג סעקטאָרס און ימפּרוווינג זיכערקייַט און עפעקטיווקייַט, פון אָטאַנאַמאַס וועהיקלעס צו כעלטקער.
די צוקונפֿט פון דיטעקשאַן פון אַבדזשעקץ איז ברייטער ווי אלץ ווי פאָרשונג אַדוואַנסיז, אַדרעסינג שוועריקייטן און ויספאָרשן נייַע געביטן.
מיר זענען וויטנאַסינג די געבורט פון אַ נייַע צייט אין קאָמפּיוטער זעאונג ווען מיר אַרומנעמען די מאַכט פון טיף לערנען, מיט כייפעץ דיטעקשאַן פירן די וועג.
לאָזן אַ ענטפֿערן