Tipos de arquitecturas en detección de objetos

Clase 6 de 31 • Curso de Detección y Segmentación de Objetos con TensorFlow

Contenido del curso

Introducción a Computer Vision

1
¿Qué es la visión computarizada y cuáles son sus tipos?
08:35 min

Detección de objetos

Segmentación de objetos

Un paso más allá

Tomar examen

Comentarios

José Fernando Aguilar Arredondo

student•

En una etapa: Realizan la detección + localización en un solo pase hacia delaten de la red.

Por lo general constan de 3 componentes: Un extractor de características, un clasificador y un regresor de cajas. Estos componentes principales, se entrenan en conjunto para detectar objetos en una imagen.

Elementos clave:

1. Extracción de características: Está etapa es responsable de extraer características importantes de la imagen de entrada. Para esto, se utiliza una CNN pre-entrenada, que se encarga de extraer características visuales de la imagen. 2. Clasificación: Está etapa se encarga de determinar, si la imagen contiene un objeto específico o no. Para esto se utiliza un NN totalmente conectada que toma las características extraídas y las clasifica en diferentes categorías de objetos. 3. Regresión de cajas: Se encargará de determinar la ubicación y el tamaño de la caja que rodea el objeto. Para esto se utiliza otra NN que toma las características extraídas y predice la posición y el tamaño de la caja que rodea el objeto

Multietapa: El proceso se realiza utilizando múltiples etapas. Por lo general, consta de dos componentes principales; un detector de regiones y un clasificador/regresor

Elementos clave:

1. Detector de regiones: Su objetivo es generar una serie de regiones propuestas que puedan contener objetos en la imagen de entrada. Para lograr esto, se utiliza una CNN, que procesa la imagen en ventanas de diferentes tamaños y posiciones, luego utiliza técnicas como la propuesta selectiva de búsqueda (Selective Serch) o redes neuronales regionales convolucionales (R-CNN) para generar regiones candidatas que podrían contener objetos.

2. Clasificación/regresión: Está etapa se encarga de clasificar y regresar las regiones propuestas generadas por el detector de regiones. Para esto, se utiliza una NN totalmente conectada que toma las características extraídas de la región de objetos, o regresa la posición y el tamaño de la caja que rodea el objeto.

A diferencia de la arquitectura una etapa que se entrenan en conjunto. En este tipo de arquitectura se entrenan en dos etapas separadas. En la primera etapa, se entrena el detector de regiones utilizando técnicas de aprendizaje supervisado, donde se proporcionan ejemplos de imágenes y regiones de objetos verdaderos. Segunda etapa, se entrena el clasificador/regresor utilizando técnicas de aprendizaje supervisado y los datos de las regiones propuestas y sus correspondientes etiquetas de clases y/o cajas delimitadoras.

Mario Alexander Vargas Celis

student•

La detección de objetos es una tarea clave en visión por computadora que implica identificar y localizar objetos dentro de imágenes o videos. Existen diferentes arquitecturas y enfoques para realizar esta tarea, cada uno con sus propias ventajas y desventajas. Aquí te presento algunos de los tipos más comunes de arquitecturas en detección de objetos:

### 1. **Modelos Basados en Regiones (Region-based Models)**

- **R-CNN (Region-based Convolutional Neural Networks):**

- Utiliza un algoritmo de propuesto de regiones para generar regiones de interés (proposals) y luego aplica una CNN para clasificar estas regiones.

- Se compone de tres partes: generación de propuestas, extracción de características mediante una CNN y clasificación de las propuestas.

- **Fast R-CNN:**

- Mejora el R-CNN al aplicar la CNN a toda la imagen primero y luego extraer características para las regiones propuestas.

- Usa una red compartida, lo que reduce el tiempo de computación.

- **Faster R-CNN:**

- Introduce una red de propuestas de región (RPN) que comparte características con la CNN, mejorando la velocidad y precisión en comparación con Fast R-CNN.

### 2. **Modelos Basados en Cuadros (Single Shot Models)**

- **YOLO (You Only Look Once):**

- Un modelo de detección en tiempo real que divide la imagen en una cuadrícula y predice bounding boxes y probabilidades para cada celda en un solo paso.

- Es conocido por su velocidad y eficiencia, lo que lo hace adecuado para aplicaciones en tiempo real.

- **SSD (Single Shot MultiBox Detector):**

- Similar a YOLO, pero utiliza diferentes escalas de características para detectar objetos de diferentes tamaños.

- Predice bounding boxes y probabilidades de clase a partir de múltiples capas de la red.

### 3. **Modelos Basados en Cuadrículas (Grid-based Models)**

- **RetinaNet:**

- Combina características de modelos de un solo disparo y modelos basados en regiones.

- Introduce un enfoque de "focal loss" para abordar el problema del desbalance en clases durante el entrenamiento, enfocándose más en los ejemplos difíciles de clasificar.

### 4. **Modelos de Detección Basados en Redes de Puntos (Point-based Models)**

- **CenterNet:**

- Detecta objetos mediante la identificación de sus centros y luego predice el tamaño y otras propiedades a partir de esta información.

- Se basa en una red de puntos que identifica las ubicaciones de los objetos.

### 5. **Modelos de Detección con Redes Generativas (Generative Models)**

- **DETR (Detection Transformer):**

- Un enfoque más reciente que utiliza arquitecturas de transformadores, eliminando la necesidad de técnicas de propuesto de regiones.

- Utiliza una arquitectura de atención para directamente detectar objetos a partir de la representación de la imagen.

### 6. **Redes Convolucionales para Segmentación (Segmentation Models)**

- **Mask R-CNN:**

- Una extensión de Faster R-CNN que agrega una rama para la segmentación de instancias, permitiendo la detección y la segmentación simultáneamente.

- Es útil para tareas donde se necesita no solo la ubicación, sino también la forma precisa de los objetos.

### 7. **Modelos Híbridos**

- **Cascade R-CNN:**

- Mejora la precisión a través de un enfoque en cascada que utiliza múltiples etapas de detección, refinando las predicciones en cada etapa.

### Consideraciones Finales

Cada una de estas arquitecturas tiene sus propias características y es adecuada para diferentes aplicaciones y requisitos, como velocidad, precisión y complejidad del modelo. La elección del modelo adecuado dependerá de factores como la naturaleza de los datos, la disponibilidad de recursos computacionales y los requisitos de la aplicación específica.

Tipos de arquitecturas en detección de objetos

Introducción a Computer Vision

¿Qué es la visión computarizada y cuáles son sus tipos?

Detección de objetos

Introducción a object detection: sliding window y bounding box

Generando video de sliding window

Introducción a object detection: backbone, non-max suppression y métricas

Visualización de IoU en object detection