Перейти к основному содержимому

Детекция объектов

В этом разделе вы познакомитесь с задачей детекции объектов (object detection) на изображениях - выделении всех объектов интересуемых типов прямоугольными рамками с пометкой, объект какого типа выделен в каждом случае. Также будут рассмотрены основные нейросетевые архитектуры для решения задачи детекции.

📄️ Детекция объектов

Задача детекции объектов на изображении и простой подход для её решения.

📄️ Оценка качества детекции

Методы оценки качества детекции объектов на изображениях.

📄️ Подавление немаксимумов

Алгоритм подавления немаксимумов (non-maximum supression, NMS) в задаче детекции объектов. Вариант мягкого подавления немаксимумов (soft-NMS).

📄️ YOLO

Модель YOLO для детекции объектов на изображении.

📄️ SSD

Метод SSD для детекции объектов на изображении.

📄️ Feature pyramid network

Метод feature pyramid network (FPN) для эффективного извлечения признаков изображения и детекции объектов.

📄️ RetinaNet

Модель RetinaNet для детекции объектов - архитектура, настрока, функции потерь, focal loss.

📄️ CornerNet

Модель CornerNet для детекции объектов на изображении, сorner pooling.

📄️ CenterNet

Модель CenterNet для детекции объектов на изображениях.

📄️ Двухстадийные детекторы

Описание двухстадийных методов детекции объектов - faster R-CNN, fast R-CNN, R-CNN.

📄️ Деформируемые архитектуры

Деформируемая свёртка и деформируемый ROI пулинг для более локализованного извлечения признаков распознаваемого объекта в задачах сегментации и детекции.