Введение 2
1. Вычисление точности детектора 6
2. Описание базовых детекторов 9
2.1. Faster Regions with CNN 9
2.2. Single Shot MultiBox Detector 11
2.3. Deconvolution Network 16
3. Метод Dynamic Belief Fusion 19
4. Новый алгоритм позднего объединения 25
4.1. Кластеризация ответов детекторов 25
4.2. Определение значения уверенности в кластере 27
4.3. Локализация объекта в кластере 28
5. Результаты экспериментов 30
Заключение 39
Список литературы 40
Приложение 42
Задача поиска объектов на изображении является одной из важных задач компьютерного зрения, большое количество статей о новых подходах к построению методов обнаружения объектов - также называемых детекторами - говорит об актуальности данной проблемы.
Первый метод обнаружения объектов, работающий в режиме реального времени - метод Виолы-Джонса [1] - был предложен в 2001 году. Алгоритм был разработан для обнаружения лиц людей на фотографиях. Данный метод представляет собой каскад сильных классификаторов AdaBoost, которые в свою очередь построены на слабых классификаторах - неглубоких деревьях решений. Для того, чтобы обнаружить лицо на фотографии, необходимо пройти по изображению скользящим окном различных размеров, в каждом выделенном окном фрагменте изображения вычислить характеристики Хаара, показанные на рисунке 1, затем полученные характеристики подать на вход классификатору и получить ответ, который говорит о наличии или отсутствии лица в данном окне. В 2005 году был предложен метод Histogram of Oriented Gradients [2], который, как и характеристики Хаара, был направлен на формирование вектора характеристик на основе изображения, но уже для задачи обнаружения пешеходов, а в 2008 году - метод SURF [3] для вычисления характеристик, инвариантных к повороту и размеру объекта. Эти методы построены на основе визуального представления человека об исследуемом объекте. Однако необходимость в таких методах пропадает в связи с появлением глубоких сверточных нейронных сетей.
Считается, что активное применение глубоких нейронных сетей для задачи распознавания объектов началось в 2012 году после выхода статьи Алекса Крижевского ”ImageNet Classification with Deep Convolutional Neural Networks” [4]. Предложенная в статье глубокая нейронная сеть AlexNet, архитектура которой представлена на рисунке 2, стала победителем ’ImageNet Large Scale Visual Recognition Challenge (ILSVRC) of 2012”.
Данная работа была посвящена разработке и реализации позднего агломеративного алгоритма объединения детекторов. Для проведения экспериментов были настроены реализации современных методов обнаружения объектов, таких как Faster R-CNN, DeNet и SSD. Для оценки точности нового алгоритма позднего объединения был реализован лучший до этого момента метод позднего объединения детекторов Dynamic Belief Fusion (DBF). Были поставлены эксперименты с несколькими возможными реализациями метода DBF и выбрана реализация, показывающая лучший результат на наборе данных PASCAL VOC 2007. Результаты этой реализации сравнивались с новым алгоритмом позднего объединения детекторов. Предложенный алгоритм достигает лучшей точности как в сравнении с работой индивидуальных детекторов, так и в сравнении с методом DBF. По сравнению с работой индивидуальных детекторов ошибка (1-mAP) уменьшилась на 32%, а по сравнению с работой метода DBF - на 6 %. Также новый алгоритм показывает лучшее время работы, чем метод DBF и NMS, на 10.7 мс и 0.7 мс соответственно.
