Haqiqiy vaqtda ob'ektni aniqlash Mavhum

3
Ma'lumotlar to'plami va xususiyatlari
Umumiy ob'ektni aniqlash uchun biz MIT SAIL lab tomonidan sun2012 ma'lumotlar bazasidan foydalandik, unda rasmda
ko'rsatilgandek ko'pburchaklar bilan etiketlangan ob'ektlar tasvirlangan.
1. Ob'ektning har bir toifasi uchun biz

Shakl 1: bir ma'lumotlar bazasi misol
.
Shakl 2: tezroq R-CNN ta'lim jarayoni Illustration
Shakl 1: bir ma'lumotlar bazasi misol.
Shakl 2: tezroq R-CNN ta'lim jarayoni Illustration.
ob'ektni aniqlash va keyingi tasniflash vazifalari uchun chegara qutisi. Trening uchun biz
ma'lumotlar bazasini yaratish uchun 3 toifadagi rasmlarni ajratdik. Shuningdek, biz butun ma'lumotlar to'plamini o'quv to'plamiga (90%)
va sinov to'plamiga (10%) ajratdik. Bundan tashqari, biz avtomobillarni turli nuqtai nazardan aniqlashni sinab ko'rdik.
Avtomobillarning tasvirlari KITTI ma'lumotlar bazasidan olingan bo'lib, unda 14000 ga yaqin rasm mavjud. Biz
o'qitish va sinov uchun to'liq ko'rinadigan va qisman yopilgan avtomobillarni tanladik. KITTI ma'lumotlar bazasi
har bir ob'ektni kuzatish burchagini ham beradi. Biz ularni avtomobillarning istiqbolini (old,
orqa, chap, o'ng) belgilash uchun ishlatdik.
4
Usullari
4.1
Tezroq mintaqaga asoslangan Konvolyutsion neyron tarmoq
Biz Python tili bo'yicha Caffe chuqur o'rganish doirasida tezroq mintaqaga asoslangan Konvolyutsion neyron tarmoq (Faster R-CNN) modelini o'rgatdik
. Tezroq R-CNN mintaqaga asoslangan
aniqlash usuli hisoblanadi. U birinchi navbatda a mintaqa takliflari tarmog'i (RPN) aniqlash takliflarini yaratish uchun, keyin
ob'ektni tasniflash va chegara qutisini o'zgartirish uchun Fast R-CNN bilan bir xil tarmoq tuzilmasidan foydalangan.
Strategiya ingl
2
.
Ushbu modelning o'quv strategiyasi quyidagicha edi: Birinchidan, biz RPN-ni oxiridan oxirigacha
orqa targ'ibot va stoxastik gradient tushish orqali o'rgatdik. Biz RPN uchun xususiyatlarni ajratib olish uchun ZF va VGG16 tarmog'ini tanladik
va barcha qatlamlar ImageNet tasnifi uchun oldindan o'qitilgan model tomonidan ishga tushirildi
. Biz 0.0001k mini-partiyalar uchun 40 o'rganish tezligini, 0.9 momentumini va
0.0005 vazn parchalanishini tanladik. Ikkinchidan, biz Fast R-CNN tomonidan
1K mini-partiyalar uchun 20 RPN bosqichi tomonidan ishlab chiqarilgan takliflardan foydalangan holda alohida aniqlash tarmog'ini o'qitdik. Ushbu aniqlash tarmog'i
oldindan o'qitilgan model tomonidan ham boshlangan. Endi ikkita tarmoq konvolyutsion qatlamlarni baham ko'rmadi.
Uchinchidan, biz detektor tarmog'idan 40k min-partiyalar uchun RPN traning-ni ishga tushirish uchun foydalandik, ammo biz
umumiy konvolyutsion qatlamlarni o'rnatdik. Nihoyat, biz sobit birgalikda convolutional qatlamlarini saqlab va sozlamoq
uchun tez r-CNN noyob qatlamlari 20 k mini-qoplari.