МЕТОДИ ОЦІНКИ ЕФЕКТИВНОСТІ МОДЕЛЕЙ ВИЯВЛЕННЯ ОБ’ЄКТІВ У КОМП’ЮТЕРНОМУ ЗОРІ
DOI:
https://doi.org/10.35546/kntu2078-4481.2023.2.25Ключові слова:
комп’ютерний зір, метрики оцінювання, IoU, Recall, F1-Score, Precision, Сonfusion matrix, mAPАнотація
Основними завданнями комп’ютерного зору є розпізнавання, виявлення об’єктів та сегментація. Розпізнавання зображень використовується в різних галузях від систем безпеки до діагностування у медицині. Виявлення об’єктів – це техніка визначення місцезнаходження з подальшим розпізнавання у реальному часі. Сегментація – це процес розбиття зображення на багато сегментів. Процес побудови тієї чи іншої моделі може бути складним і щоб модель відповідала поставленому завданню в повному обсязі потрібно визначити її ефективність. Метою дослідження є огляд показників ефективності, точності, продуктивності моделей комп’ютерного зору. Було описано класична версія показника перетин через об’єднання (IoU). Представлені різні модифікації і покращення IoU такі як багато масштабний IoU (МIoU), обмежувальний IoU (BaIoU) та BhIoU. Особу увагу приділено узагальненому перетену через об’єднання (GIoU), для усунення недоліків втрати IOU. Тобто втрата IOU завжди буде дорівнювати нулю, коли два блоки не взаємодіють – не перетинаються. Продуктивність алгоритмів комп’ютерного зору виявлення об’єктів і сегментації зазвичай перевіряється за допомогою середнього значення середнього (mAP). А так як mAP базується на різних субметриках, було розглянути матриця плутанини, перетин через об’єднання, Recall та Precision. Для кращого розуміння показників було продемонстровано приклад з розрахунком продуктивності (Accuracy), точності (Precision), ефективності класифікації (Recall), гармонійного середнього значення точності та чутливості моделі (F1-Score). Насамкінець, очевидно, що це дослідження показало що за допомогою цих метрик можна перевірити, наскільки точна навчена модель.
Посилання
C.-d. Yang, R.-c. Xie, S.-b. Shi and Z. Tang, “Multi-Target Tracking and Segmentation Method for Missile-Borne Image Based on IoU Association,” 2019 12th International Conference on Intelligent Computation Technology and Automation (ICICTA), Xiangtan, China, 2019, pp. 207–211, doi: 10.1109/ICICTA49267.2019.00051.
C. Ma, L. Zhuo, J. Li, Y. Zhang and J. Zhang, “Prohibited Object Detection in X-ray Images with Dynamic Deformable Convolution and Adaptive IoU,” 2022 IEEE International Conference on Image Processing (ICIP), Bordeaux, France, 2022, pp. 3001–3005, doi: 10.1109/ICIP46576.2022.9897684.
M. Sugang, L. Ningbo, P. Guansheng, C. Yanping, W. Ying and H. Zhiqiang, “Object detection algorithm based on cosine similarity IoU,” 2022 International Conference on Networking and Network Applications (NaNA), Urumqi, China, 2022, pp. 1–6, doi: 10.1109/NaNA56854.2022.00077.
V. Levkivskyi, D. Marchuk, N. Lobanchykova et al, . “Available parking places recognition system”, 2022 CEUR Workshop Proceedings 4th Workshop for Young Scientists in Computer Science & Software Engineering, Vol. 3077, рр. 123–134, [Online], available at: http://ceur-ws.org/Vol-3077/paper07.pdf
L. Janos Lance, T. Edwin Sybingco and J. A. C. Jose, “Efficient Vehicle Counting Algorithm using Gaussian Mixing Models and IOU Based Tracker for LPWAN Based Intelligent Traffic Management Systems,” 2022 IEEE 14th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment, and Management (HNICEM), Boracay Island, Philippines, 2022, pp. 1–4, doi: 10.1109/HNICEM57413.2022.10109498.
Zhang, H., Wang, Y., Dayoub, F., & Sunderhauf, N. (2021). Varifocalnet: An iou-aware dense object detector. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 8514–8523).
A. Ahmadzadeh, D.J. Kempton, Y. Chen and R.A. Angryk, “Multiscale IOU: A Metric for Evaluation of Salient Object Detection with Fine Structures,” 2021 IEEE International Conference on Image Processing (ICIP), Anchorage, AK, USA, 2021, pp. 684–688, doi: 10.1109/ICIP42928.2021.9506337.
D. Zhou, J. Fang, X. Song, C. Guan, J. Yin, Y. Dai, and R. Yang, “Iou loss for 2d/3d object detection,” In 2019 International Conference on 3D Vision (3DV), pp. 85–94. IEEE, 2019.
H. Rezatofighi, N.Tsoi, J. Gwak, A. Sadeghian, I. Reid and S. Savarese, “Generalized intersection over union: A metric and a loss for bounding box regression,” In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pp. 658–666. 2019.
Z. Liu, J. Cheng, Q. Wang and L. Xian, “Improved Design Based on IoU Loss Functions for Bounding Box Regression,” 2022 IEEE 6th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC ), Beijing, China, 2022, pp. 452–458, doi: 10.1109/IAEAC54830.2022.9929938.
