Hispanopedia Wiki
Articulo de referencia

Detección de objetos pequeños

La detección de objetos pequeños es un caso particular de detección de objetos en el que se emplean diversas técnicas para detectar objetos pequeños en imágenes y vídeos digital...

Hispanopedia WikiContenido en espanolLectura gratuita

La detección de objetos pequeños es un caso particular de detección de objetos en el que se emplean diversas técnicas para detectar objetos pequeños en imágenes y vídeos digitales. Los "objetos pequeños" son aquellos que ocupan un área reducida en píxeles en la imagen de entrada. En áreas como la fotografía aérea , las técnicas de detección de objetos más avanzadas suelen tener un rendimiento inferior debido a la presencia de objetos pequeños.

Usos

Un ejemplo de seguimiento de objetos

La detección de objetos pequeños tiene aplicaciones en diversos campos como la videovigilancia ( videovigilancia de tráfico, [ 1 ] [ 2 ] recuperación de objetos pequeños , [ 3 ] [ 4 ] detección de anomalías , [ 5 ] vigilancia marítima , levantamiento topográfico con drones , análisis del flujo de tráfico , [ 6 ] y seguimiento de objetos .

Problemas con objetos pequeños

  • Los algoritmos modernos de detección de objetos, como You Only Look Once [ 7 ] [ 8 ] [ 9 ] [ 10 ] [ 11 ] [ 12 ] [ 13 ], utilizan intensivamente capas de convolución para aprender características . A medida que un objeto pasa por las capas de convolución, su tamaño se reduce. Por lo tanto, el objeto pequeño desaparece después de varias capas y se vuelve indetectable.
  • En ocasiones, la sombra de un objeto se detecta como parte del objeto mismo. [ 14 ] Por lo tanto, la ubicación del cuadro delimitador tiende a centrarse en la sombra en lugar del objeto. En el caso de la detección de vehículos, la detección de peatones y motocicletas se ve afectada por esto.
  • Actualmente, los drones se utilizan ampliamente en la captura de imágenes aéreas. [ 15 ] Están equipados con hardware ( sensores ) y software ( algoritmos ) que ayudan a mantener una posición estable durante el vuelo. En condiciones de viento, el dron realiza movimientos precisos automáticamente para mantener su posición, lo que modifica la vista cerca del borde de la imagen. Es posible que aparezcan nuevos objetos cerca de dicho borde. En general, esto afecta la precisión de la clasificación, la detección y, finalmente, el seguimiento.
Aquí, ambas imágenes provienen del mismo video. Observe cómo la sombra de los objetos afecta la precisión de la detección. Además, el movimiento del dron modifica la escena cerca del límite (consulte el objeto "coche" en la esquina inferior izquierda).
Efecto de sombra y movimiento de dron

Métodos

Existen varios métodos [ 16 ] para detectar objetos pequeños, que se dividen en tres categorías:

Resultado de la detección de YOLOv5
Interfaz YOLOv5 y SAHI
Salida de detección de YOLOv7

Improvisar técnicas existentes

Existen diversas formas de detectar objetos pequeños con las técnicas existentes. Algunas de ellas se mencionan a continuación:

Elegir un conjunto de datos que tenga objetos pequeños

El resultado del modelo de aprendizaje automático depende de su "excelente entrenamiento" [ 17 ] . Por lo tanto, el conjunto de datos debe incluir objetos pequeños para detectarlos. Además, los detectores modernos, como YOLO, se basan en anclas. Las versiones más recientes de YOLO (a partir de YOLOv5 [ 18 ] ) utilizan un algoritmo de autoanclaje para encontrar buenas anclas según el tamaño de los objetos en el conjunto de datos. Por consiguiente, es imprescindible que el conjunto de datos contenga objetos pequeños.

Generar más datos mediante aumento, si es necesario.

Los modelos de aprendizaje profundo tienen miles de millones de neuronas que se estabilizan en ciertos pesos después del entrenamiento. Por lo tanto, requieren una buena cantidad de datos cuantitativos y cualitativos para un mejor entrenamiento. [ 19 ] El aumento de datos es una técnica útil para generar datos más diversos [ 17 ] a partir de un conjunto de datos existente.

Aumento de la resolución de captura de imágenes y de la resolución de entrada del modelo.

Estas técnicas ayudan a obtener más características de los objetos y, en última instancia, a aprender a identificar lo mejor de ellos. Por ejemplo, una bicicleta en una imagen con resolución de 1280 x 1280 píxeles tiene más características que una con resolución de 640 x 640 píxeles.

Anclajes de aprendizaje automático

Seleccionar el tamaño del ancla juega un papel vital en la detección de objetos pequeños. [ 20 ] En lugar de seleccionarlo manualmente, utilice algoritmos que lo identifiquen en función del conjunto de datos. YOLOv5 utiliza un algoritmo K-means para definir el tamaño del ancla.

Enfoque de teselado durante el entrenamiento y la inferencia.

Los detectores de objetos de última generación solo admiten imágenes de tamaño fijo y ajustan el tamaño de la imagen de entrada en función de este. Este ajuste puede deformar los objetos pequeños de la imagen. El método de teselado [ 21 ] resulta útil cuando una imagen tiene una resolución superior al tamaño de entrada fijo del modelo; en lugar de reducir su escala, la imagen se divide en teselas y se utiliza durante el entrenamiento. Este mismo método se emplea también durante la inferencia.

Red Piramidal de Características (FPN)

Utilice una red de pirámide de características [ 22 ] para aprender características a múltiples escalas: por ejemplo, redes de pirámide de características gemelas (TFPN), [ 23 ] red de pirámide de características extendida (EFPN). [ 24 ] FPN ayuda a mantener las características de objetos pequeños frente a las capas de convolución.

Técnicas complementarias

En lugar de modificar los métodos existentes, existen algunas técnicas complementarias que se pueden integrar directamente en los enfoques existentes para detectar objetos más pequeños. Una de estas técnicas es la Hiperinferencia Asistida por Segmentación (SAHI). [ 25 ] La imagen se divide en múltiples parches superpuestos de diferentes tamaños. Los hiperparámetros definen sus dimensiones. Luego, los parches se redimensionan, manteniendo la relación de aspecto durante el ajuste fino. Estos parches se utilizan para entrenar el modelo.

Técnicas bien optimizadas para la detección de objetos pequeños

Existen varias técnicas de aprendizaje profundo que se centran en este tipo de problemas de detección de objetos: por ejemplo, Feature-Fused SSD, [ 26 ] YOLO-Z. [ 27 ] Estos métodos se basan en "Cómo mantener las características de los objetos pequeños mientras pasan por redes convolucionales".

Otras aplicaciones

Véase también

Referencias

  1. ↑ Saran KB; Sreelekha G (2015). "Videovigilancia de tráfico: detección y clasificación de vehículos". Conferencia Internacional de 2015 sobre Control, Comunicación e Informática de la India (ICCC) . Trivandrum, Kerala, India: IEEE. pp. 516–521 . doi : 10.1109/ICCC.2015.7432948 . ISBN  978-1-4673-7349-4. S2CID 14779393 . 
  2. ↑ Nemade, Bhushan (2016-01-01). "Automatic Traffic Surveillance Using Video Tracking" . Procedia Computer Science . Actas de la Conferencia Internacional sobre Comunicación, Computación y Virtualización (ICCCV) 2016. 79 : 402–409 . doi : 10.1016/j.procs.2016.03.052 . ISSN 1877-0509 . 
  3. ↑ Guo, Haiyun; Wang, Jinqiao; Xu, Min; Zha, Zheng-Jun; Lu, Hanqing (13 de octubre de 2015). «Aprendizaje de características profundas multivista para la recuperación de objetos pequeños en escenarios de vigilancia» . Actas de la 23.ª conferencia internacional ACM sobre multimedia . MM '15. Nueva York, NY, EE. UU.: Association for Computing Machinery. págs. 859–862 . doi : 10.1145/2733373.2806349 . ISBN  978-1-4503-3459-4. S2CID 9041849 . 
  4. ↑ Galiyawala, Hiren; Raval, Mehul S.; Patel, Meet (2022-05-20). "Recuperación de personas en videos de vigilancia mediante reconocimiento de atributos" . Journal of Ambient Intelligence and Humanized Computing . 15 : 291–303 . doi : 10.1007/s12652-022-03891-0 . ISSN 1868-5145 . S2CID 248951090 .  
  5. ↑ Ingle, Palash Yuvraj; Kim, Young-Gab (19 de mayo de 2022). "Detección de objetos anormales en tiempo real para videovigilancia en ciudades inteligentes" . Sensors . 22 ( 10): 3862. Bibcode : 2022Senso..22.3862I . doi : 10.3390/s22103862 . ISSN 1424-8220 . PMC 9143895. PMID 35632270 .   
  6. ↑ Tsuboi, Tsutomu; Yoshikawa, Noriaki (2020-03-01). "Análisis del flujo de tráfico en Ahmedabad (India)" . Estudios de caso sobre política de transporte . 8 (1): 215– 228. doi : 10.1016/j.cstp.2019.06.001 . ISSN 2213-624X . S2CID 195543435 .  
  7. ↑ Redmon, Joseph; Divvala, Santosh; Girshick, Ross; Farhadi, Ali (2016-05-09). "You Only Look Once: Unified, Real-Time Object Detection". arXiv : 1506.02640 [ cs.CV ].
  8. ↑ Redmon, Joseph; Farhadi, Ali (25-12-2016). "YOLO9000: Mejor, más rápido, más fuerte". arXiv : 1612.08242 [ cs.CV ].
  9. ↑ Redmon, Joseph; Farhadi, Ali (2018-04-08). "YOLOv3: Una mejora incremental". arXiv : 1804.02767 [ cs.CV ].
  10. ↑ Bochkovskiy, Alexey; Wang, Chien-Yao; Liao, Hong-Yuan Mark (22 de abril de 2020). "YOLOv4: Velocidad y precisión óptimas de la detección de objetos". arXiv : 2004.10934 [ cs.CV ].
  11. ↑ Wang, Chien-Yao; Bochkovskiy, Alexey; Liao, Hong-Yuan Mark (2021-02-21). "Scaled-YOLOv4: Escalado de red parcial entre etapas". arXiv : 2011.08036 [ cs.CV ].
  12. ^ Li, Chuyi; Li, Lulú; Jiang, Hongliang; Weng, Kaiheng; Geng, Yifei; Li, Liang; Ke, Zaidán; Li, Qingyuan; Cheng, Meng; Nie, Weiqiang; Li, Yiduo; Zhang, Bo; Liang, Yufei; Zhou, Linyuan; Xu, Xiaoming (7 de septiembre de 2022). "YOLOv6: un marco de detección de objetos de una sola etapa para aplicaciones industriales". arXiv : 2209.02976 [ cs.CV ].
  13. ↑ Wang, Chien-Yao; Bochkovskiy, Alexey; Liao, Hong-Yuan Mark (2022-07-06). "YOLOv7: Trainable bag-of-freebies establece un nuevo estado del arte para detectores de objetos en tiempo real". arXiv : 2207.02696 [ cs.CV ].
  14. ↑ Zhang, Mingrui; Zhao, Wenbing; Li, Xiying; Wang, Dan (11 de diciembre de 2020). "Detección de sombras de objetos en movimiento en vídeo de vigilancia del tráfico". 2020 IEEE 9th Joint International Information Technology and Artificial Intelligence Conference (ITAIC) . Vol. 9. Chongqing, China: IEEE. pp. 1983–1987 . doi : 10.1109/ITAIC49862.2020.9338958 . ISBN   978-1-7281-5244-8. S2CID 231824327 . 
  15. ↑ "Taller interactivo "Cómo los drones están cambiando el mundo en el que vivimos"«. 2016 Sistema Integrado de Comunicaciones, Navegación y Vigilancia (ICNS) . Herndon, VA: IEEE. 2016. pp. 1–17 . doi : 10.1109/ICNSURV.2016.7486437 . ISBN  978-1-5090-2149-9. S2CID 21388151 . 
  16. ↑ Nguyen, Nhat-Duy; Do, Tien; Ngo, Thanh Duc; Le, Duy-Dinh (2020). "Una evaluación de métodos de aprendizaje profundo para la detección de objetos pequeños" . Journal of Electrical and Computer Engineering . 2020 : 1–18 . doi : 10.1155/2020/3189691 .
  17. 1 2 Gong, Zhiqiang; Zhong, Ping; Hu, Weidong (2019). "Diversidad en el aprendizaje automático" . IEEE Access . 7 : 64323–64350 . arXiv : 1807.01477 . Bibcode : 2019IEEEA...764323G . doi : 10.1109/ACCESS.2019.2917620 . ISSN 2169-3536 . S2CID 206491718 .  
  18. ↑ Jocher, Glenn; Chaurasia, Ayush; Stoken, Alex; Borovec, Jirka; NanoCode012; Kwon, Yonghye; TaoXie; Michael, Kalen; Fang, Jiacong (2022-08-17). "ultralytics/yolov5: v6.2 - Modelos de clasificación YOLOv5, Apple M1, reproducibilidad, integraciones de ClearML y Deci.ai" . doi : 10.5281/zenodo.3908559 . Consultado el 14 de septiembre de 2022 .{{cite journal}}: La cita de la revista requiere |journal=( ayuda ) CS1 maint: nombres numéricos: lista de autores ( enlace )
  19. ↑ "El tamaño y la calidad de un conjunto de datos | Aprendizaje automático" . Google Developers . Consultado el 14 de septiembre de 2022 .
  20. ^ Zhong, Yuanyi; Wang, Jianfeng; Peng, Jian; Zhang, Lei (26 de enero de 2020). "Optimización de la caja de anclaje para la detección de objetos". arXiv : 1812.00469 [ cs.CV ].
  21. ↑ Unel, F. Ozge; Ozkalayci, Burak O.; Cigla, Cevahir (2019). "El poder del teselado para la detección de objetos pequeños". 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) . Long Beach, CA, EE. UU.: IEEE. pp. 582–591 . doi : 10.1109/CVPRW.2019.00084 . ISBN  978-1-7281-2506-0. S2CID 198903617 . 
  22. ↑ Lin, Tsung-Yi; Dollár, Piotr; Girshick, Ross; He, Kaiming; Hariharan, Bharath; Belongie, Serge (2017-04-19). "Feature Pyramid Networks for Object Detection". arXiv : 1612.03144 [ cs.CV ].
  23. ↑ Liang, Yi; Changjian, Wang; Fangzhao, Li; Yuxing, Peng; Qin, Lv; Yuan, Yuan; Zhen, Huang (2019). "TFPN: Redes Piramidales de Características Gemelas para la Detección de Objetos". 2019 IEEE 31.ª Conferencia Internacional sobre Herramientas con Inteligencia Artificial (ICTAI) . Portland, OR, EE. UU.: IEEE. págs. 1702–1707 . doi : 10.1109/ICTAI.2019.00251 . ISBN  978-1-7281-3798-8. S2CID 211211764 . 
  24. ^ Deng, Chunfang; Wang, Mengmeng; Liu, Liang; Liu, Yong (9 de abril de 2020). "Red piramidal de funciones extendidas para la detección de objetos pequeños". arXiv : 2003.07021 [ cs.CV ].
  25. ↑ Akyon, Fatih Cagatay; Altinuc, Sinan Onur; Temizel, Alptekin (12 de julio de 2022). "Hiperinferencia asistida por segmentación y ajuste fino para la detección de objetos pequeños". Conferencia Internacional IEEE de Procesamiento de Imágenes (ICIP) de 2022. pp. 966–970 . arXiv : 2202.06934 . doi : 10.1109/ICIP46576.2022.9897990 . ISBN  978-1-6654-9620-9. S2CID 246823962 . 
  26. ↑ Cao, Guimei; Xie, Xuemei; Yang, Wenzhe; Liao, Quan; Shi, Guangming; Wu, Jinjian (10 de abril de 2018). "SSD fusionado de características: detección rápida de objetos pequeños" . En Dong, Junyu; Yu, Hui (eds.). Novena Conferencia Internacional sobre Procesamiento Gráfico y de Imágenes (ICGIP 2017) . Vol. 10615. SPIE. págs. 381–388 . arXiv : 1709.05054 . Bibcode : 2018SPIE10615E..1EC . doi : 10.1117/12.2304811 . ISBN   9781510617414. S2CID 20592770 . 
  27. ↑ Benjumea, Aduen; Teeti, Izzeddin; Cuzzolin, Fabio; Bradley, Andrew (23-12-2021). "YOLO-Z: Mejora de la detección de objetos pequeños en YOLOv5 para vehículos autónomos". arXiv : 2112.11798 [ cs.CV ].
  28. ↑ Rajendran, Logesh; Shyam Shankaran, R (2021). "Vigilancia de multitudes en tiempo real habilitada por Big Data mediante inteligencia artificial y aprendizaje profundo". Conferencia Internacional IEEE de 2021 sobre Big Data y Computación Inteligente ( BigComp ) . Isla de Jeju, Corea del Sur: IEEE. pp. 129–132 . doi : 10.1109/BigComp51126.2021.00032 . ISBN  978-1-7281-8924-6. S2CID 232236614 . 
  29. ↑ Sivachandiran, S.; Mohan, K. Jagan; Nazer, G. Mohammed (29 de marzo de 2022). "Detección y clasificación de multitudes de alta densidad mediante aprendizaje profundo por transferencia utilizando imágenes aéreas". 6.ª Conferencia Internacional sobre Metodologías Informáticas y Comunicación (ICCMC) de 2022. Erode, India: IEEE. págs. 1313–1317 . doi : 10.1109/ICCMC53470.2022.9753982 . ISBN  978-1-6654-1028-1. S2CID 248131806 . 
  30. ↑ Santhini, C.; Gomathi, V. (2018). "Análisis de escenas de multitudes mediante redes de aprendizaje profundo". Conferencia Internacional de 2018 sobre Tendencias Actuales hacia Tecnologías Convergentes (ICCTCT) . págs. 1–5 . doi : 10.1109/ICCTCT.2018.8550851 . ISBN  978-1-5386-3702-9. S2CID 54438440 . 
  31. ↑ Sharath, SV; Biradar, Vidyadevi; Prajwal, MS; Ashwini, B. (19 de noviembre de 2021). "Conteo de multitudes en imágenes de alta densidad mediante redes neuronales convolucionales profundas". Conferencia Internacional IEEE de 2021 sobre Computación Distribuida, VLSI, Circuitos Eléctricos y Robótica (DISCOVER) . Nitte, India: IEEE. págs. 30–34 . doi : 10.1109/DISCOVER52564.2021.9663716 . ISBN  978-1-6654-1244-5. S2CID 245707782 . 
  32. ↑ Wang, Hongbo; Hou, Jiaying; Chen, Na (2019). "Un estudio sobre la reidentificación de vehículos basada en aprendizaje profundo" . IEEE Access . 7 : 172443–172469 . Bibcode : 2019IEEEA...7q2443W . doi : 10.1109/ACCESS.2019.2956172 . ISSN 2169-3536 . S2CID 209319743 .  
  33. ^ Santhanam, Sanjay; B, Sudhir Sidhaarthan; Panigrahi, Sai Sudha; Kashyap, Suryakant Kumar; Duriseti, Bhargav Krishna (26 de noviembre de 2021). "Detección de animales para la seguridad vial mediante aprendizaje profundo". 2021 Conferencia Internacional sobre Inteligencia Computacional y Aplicaciones Computacionales (ICCICA) . Nagpur, India: IEEE. págs. 1 a 5. doi : 10.1109/ICCICA52458.2021.9697287 . ISBN  978-1-6654-2040-2. S2CID 246663727 . 
  34. ↑ Li, Nopparut; Kusakunniran, Worapan; Hotta, Seiji (2020). "Detección de animales detrás de jaulas mediante redes neuronales convolucionales". 17.ª Conferencia Internacional de Ingeniería Eléctrica/Electrónica, Informática, Telecomunicaciones y Tecnologías de la Información (ECTI-CON) de 2020. Phuket, Tailandia: IEEE. pp. 242–245 . doi : 10.1109/ECTI-CON49241.2020.9158137 . ISBN  978-1-7281-6486-1. S2CID 221086279 . 
  35. ↑ Oishi, Yu; Matsunaga, Tsuneo (2010). "Detección automática de animales salvajes en movimiento en imágenes de teledetección aérea". Simposio Internacional de Geociencias y Teledetección IEEE 2010. págs. 517–519 . doi : 10.1109/IGARSS.2010.5654227 . ISBN  978-1-4244-9565-8. S2CID 16812504 . 
  36. ↑ Ramanan, D.; Forsyth, DA; Barnard, K. (2006). "Building models of animals from video". IEEE Transactions on Pattern Analysis and Machine Intelligence . 28 (8): 1319– 1334. Bibcode : 2006ITPAM..28.1319R . doi : 10.1109/TPAMI.2006.155 . ISSN 0162-8828 . PMID 16886866 . S2CID 1699015 .   
  37. ^ Cui, Suxia; Zhou, Yu; Wang, Yonghui; Zhai, Lujun (2020). "Detección de peces mediante aprendizaje profundo" . Inteligencia Computacional Aplicada y Soft Computing . 2020 : 1– 13. doi : 10.1155/2020/3738108 .
  • Conjunto de datos VisDrone del equipo AISKYEYE en el Laboratorio de Aprendizaje Automático y Minería de Datos de la Universidad de Tianjin, China.
Obtenido de " https://en.wikipedia.org/w/index.php?title=Small_object_detection&oldid=1338098886 "