«`html
DEIM: Новый ИИ-фреймворк для ускорения сходимости и точности обнаружения объектов
Модели обнаружения на основе трансформеров становятся все более популярными благодаря своей стратегии сопоставления один к одному. В отличие от привычных моделей, таких как YOLO, которые требуют подавления ненужных максимумов (NMS), модели DETR используют венгерские алгоритмы и многоголовое внимание для создания уникального соответствия между обнаруженным объектом и истинным значением, что устраняет необходимость в промежуточном NMS.
Проблемы и решения
Хотя DETR решает проблемы задержки и нестабильности, у него есть ограничения, такие как медленная сходимость. Исследования показывают, что медленная сходимость может быть связана с разреженным контролем и низким качеством соответствий. Это негативно влияет на обучение модели, особенно при обнаружении мелких объектов.
Недавние работы предложили интеграцию O2M в механизм O2O, что увеличивает плотность образцов, но требует дополнительных декодеров, что увеличивает нагрузку и избыточность в предсказаниях.
Новая методология DEIM
Исследователи из Intellindust AI Lab разработали DEIM: механизм обнаружения на основе трансформеров с улучшенным сопоставлением для быстрой сходимости. Он сочетает два новых метода: Dense O2O и MAL, создавая эффективный алгоритм обучения.
Dense O2O увеличивает количество целей в каждом обучающем изображении, что приводит к большему количеству положительных образцов с единичным сопоставлением. Это легко реализуется с помощью классических методов увеличения, таких как мозаика или смешивание.
MAL решает проблему низкого качества соответствий, увеличивая штраф за низкое качество, учитывая IoU между сопоставленными запросами и целями с учетом уверенности в классификации.
Результаты и выводы
Авторы интегрировали DEIM в модели O2O, такие как D-FINE-L и D-FINE-X, и сравнили их с SOTA O2M, такими как YOLOV8. Результаты показали, что модели с DEIM превосходят другие по стоимости обучения, задержке вывода и точности обнаружения.
Модель D-FINE, последняя разработка DETR, достигла 0.7 AP и снизила стоимость обучения на 30% при внедрении DEIM. Наибольшие улучшения были замечены в обнаружении мелких объектов.
Заключение
DEIM представляет собой простой фреймворк, который решает проблему медленной сходимости в моделях на основе DETR. Он показал лучшие результаты, особенно в обнаружении мелких объектов, при меньшем количестве эпох.
Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ), грамотно используйте DEIM.
Практические шаги для внедрения ИИ
- Проанализируйте, как ИИ может изменить вашу работу.
- Определите, где возможно применение автоматизации.
- Выберите подходящее решение из множества доступных вариантов ИИ.
- Внедряйте ИИ постепенно, начиная с малого проекта.
- На основе полученных данных расширяйте автоматизацию.
Если вам нужны советы по внедрению ИИ, пишите нам в Телеграм.
Попробуйте AI Sales Bot — это ИИ-ассистент для продаж, который помогает отвечать на вопросы клиентов и генерировать контент для отдела продаж.
Узнайте, как ИИ может изменить процесс продаж в вашей компании с решением от saile.ru — будущее уже здесь!
«`
