オブジェクト検出に最適なアルゴリズムは何ですか？
質問者：Dennys Corzon |最終更新日：2020年1月3日
カテゴリ：テクノロジーとコンピューティング人工知能
リアルタイムのオブジェクト検出に適したフレームワークは、Viola Jones Object DetectionFrameworkです。実行時は高速ですが、トレーニングは低速です。物体検出は、姿勢推定、車両検出、監視などに役立ちます。これが私のトップリストになります。
- SSD：シングルショットマルチボックス検出器。
- R-FCN。
- より高速なRCNN。
- YOLO。
- 高速RCNN。
結論。この投稿では、オブジェクト検出で最も一般的に適用される2つのアルゴリズム、HOGとYOLOの概要を説明しました。 HOGは、SVMや同様の機械学習モデルでうまく機能することが証明されている機能記述子ですが、 YOLOはディープラーニングベースのニューラルネットワークで採用されています。
続いて、質問は、オブジェクト検出におけるCNNとは何ですか？畳み込みニューラルネットワーク（ CNN ）とはニューラルネットワークは、入力層、少なくとも1つの隠れ層、出力層など、いくつかの異なる層で構成されます。これらは、エッジ（垂直/水平）、形状、色、テクスチャなどのパターンを認識するためのオブジェクト検出に最適です。
また、オブジェクト検出に最適なモデルはどれかという質問もあります。
機械学習でのオブジェクト検出に最適な事前トレーニング済みモデル
- R-CNN。 R-CNNは、検索選択法を使用して、畳み込みネットワークを通過した後にオブジェクトを検出する領域を見つけます。
- Resnet50。 Resnet50は、オブジェクト検出にも使用できる深い残余ニューラルネットワークです。
- FPN。
- レティナネット。
- Yolo V3 / V2。
- より高速なR-CNN。
- SSD。
- 最後の言葉。
オブジェクト検出をどのように評価しますか？
オブジェクト検出では、測定する2つの異なるタスクがあるため、評価は簡単ではありません。
- 画像内にオブジェクトが存在するかどうかの判断（分類）
- オブジェクトの場所の決定（ローカリゼーション、回帰タスク）。
39関連する質問の回答が見つかりました
物体検出の目的は何ですか？
オブジェクト検出の目的は、画像内の人物、車、顔など、既知のクラスのオブジェクトのすべてのインスタンスを検出することです。固定された剛体の場合には単なる一例では必要とされ得るが、より一般的に複数のトレーニング例は、クラスの変動の特定の態様を捕捉するために必要です。
Yoloアルゴリズムはどのように機能しますか？
YOLOは、リアルタイムでオブジェクト検出を行うための巧妙な畳み込みニューラルネットワーク（CNN）です。このアルゴリズムは、単一のニューラルネットワークを画像全体に適用し、画像を領域に分割して、各領域のバウンディングボックスと確率を予測します。
物体検出と物体認識の違いは何ですか？
オブジェクト認識は「画像内のオブジェクトは何ですか」という質問に答えていますが、オブジェクト検出は「そのオブジェクトはどこにありますか」という質問に答えています。誰かがそれぞれの例を惜しみなく提供することによって違いを説明できることを願っています。
ローカリゼーション損失とは何ですか？
ローカリゼーション損失は、予測されたバウンディングボックス補正と真の値の間の滑らかなL1損失です。座標補正変換は、R-CNNがバウンディングボックス回帰で行うことと同じです。
Yoloオブジェクト検出とは何ですか？
YOLO ：リアルタイムのオブジェクト検出。一度だけ見る（ YOLO ）は、Pascal VOC2012データセット上のオブジェクトを検出するためのシステムです。 20個のPascalオブジェクトクラスを検出できます：person。鳥、猫、牛、犬、馬、羊。
顔検出アルゴリズムとは何ですか？
定義と関連するアルゴリズム
顔-検出アルゴリズムは、正面の人間の顔の検出に焦点を合わせています。これは、人物の画像を少しずつ照合する画像検出に似ています。画像はデータベース内の画像ストアと一致します。 写真の中のオブジェクトを特定するにはどうすればよいですか？
一般に、画像を特定のカテゴリに分類する場合は、画像分類を使用します。一方、画像内のオブジェクトの位置を特定することを目的としている場合、たとえば、オブジェクトのインスタンスの数をカウントする場合は、オブジェクト検出を使用できます。
顔検出アルゴリズムはどのように機能しますか？
顔認識を含む従来のアルゴリズムは、顔の画像から特徴またはランドマークを抽出することによって顔の特徴を識別することによって機能します。たとえば、顔の特徴を抽出するために、アルゴリズムは、目の形状とサイズ、鼻のサイズ、および目との相対的な位置を分析する場合があります。
SSDがYoloより速いのはなぜですか？
スライドウィンドウや領域提案方法と比較すると、はるかに高速であるため、リアルタイムのオブジェクト検出に適しています。 SSD （ YOLOのように完全に接続されたレイヤーではなく、ネットワークの最上位でマルチスケールの畳み込み特徴マップを使用する）は、YOLOよりも高速で正確です。
ヨロはどれくらい速いですか？
YOLOの最速のアーキテクチャは45FPSを達成でき、小さいバージョンのTiny- YOLOは、GPUを搭載したコンピューターで最大244 FPS（Tiny YOLOv2）を達成します。
SSDが高速RCNNより高速なのはなぜですか？
SSDは、入力画像に対して畳み込みネットワークを1回だけ実行し、特徴マップを計算します。 SSDはまた、高速と同様、様々なアスペクト比でアンカーボックスを使用- RCNNとボックスを学習するのではなく、オフセットを学習します。スケールを処理するために、 SSDは複数の畳み込み層の後に境界ボックスを予測します。
なぜヨロは速いのですか？
YOLOは、他のオブジェクト検出アルゴリズムよりも桁違いに高速です（45フレーム/秒）。 YOLOアルゴリズムの制限は、画像内の小さなオブジェクトと格闘することです。たとえば、鳥の群れを検出するのが難しい場合があります。これは、アルゴリズムの空間的制約によるものです。
物体検出モデルとは何ですか？
オブジェクト検出は、特定の画像内の1つまたは複数のオブジェクトの存在、場所、およびタイプを識別することを含む、コンピュータービジョンのタスクです。領域ベースの畳み込みニューラルネットワーク（R-CNN）は、Ross Girshickらによって開発された、オブジェクト検出用に設計された畳み込みニューラルネットワークモデルのファミリーです。
オブジェクト検出におけるSSDとは何ですか？
SSDオブジェクト検出。 SSDは、リアルタイムでのオブジェクト検出用に設計されています。より高速なR-CNNは、領域提案ネットワークを使用して境界ボックスを作成し、それらのボックスを使用してオブジェクトを分類します。精度は最先端と見なされていますが、プロセス全体は1秒あたり7フレームで実行されます。
ディープラーニングにおけるSSDとは何ですか？
Quoraユーザー、ビジョンのディープラーニングに取り組んでいます。 2017年3月24日に回答。シングルショットマルチボックス検出器（ SSD ）と呼ばれます[1]。これは、特定の画像内のオブジェクトのバウンディングボックスを予測するネットワークファミリーの一部です。
RoIプーリングレイヤーとは何ですか？
関心領域（ RoI ）プーリング：
これは、不均一なサイズの入力（ここではconvnet特徴マップ）で最大のプーリングを実行し、固定サイズ（たとえば7x7）の小さな特徴マップを生成する一種のプーリングレイヤーです。この固定サイズの選択はネットワークハイパーパラメータであり、事前定義されています。 ディープラーニングのアンカーとは何ですか？
アンカーボックスは、特定の高さと幅の事前定義された境界ボックスのセットです。これらのボックスは、検出する特定のオブジェクトクラスのスケールとアスペクト比をキャプチャするために定義され、通常、トレーニングデータセットのオブジェクトサイズに基づいて選択されます。