انواع مدل های هوش مصنوعی در بینا اکسپرتز_ CenterNet

در BinaExperts از مدل های هوش مصنوعی مختلفی استفاده می شود که عناوین آن­ها در زیر آمده است. در ادامه طی این مقاله مدل CenterNet و در بخش های بعدی مدل های دیگر هر کدام به تفصیل شرح داده شده است.

·         YOLO

·         CenterNet

·         EfficientNet

·         Faster R-CNN

·         Single Shot Multibox Detector (SSD)

·         DETR

·         DETECTRON2 FASTER RCNN

·         RETINANET

CenterNet

CenterNet یک معماری تشخیص اشیا در زمان واقعی است که بر شناسایی مراکز اشیاء و تخمین همزمان جعبه‌های مرزی و دسته‌بندی اشیا تمرکز دارد و به گونه ای کارآمد و دقیق طراحی شده اند. برخلاف روش‌های سنتی تشخیص اشیا که از رویکردهای مبتنی بر انکر یا بدون انکر استفاده می‌کنند، CenterNet مستقیماً مراکز شی را پیش‌بینی می‌کند و جعبه‌های مرزی مربوطه آن‌ها را لغو می‌کند.

 اجزای اصلی CenterNet عبارتند از:

1.  تشخیص مبتنی بر مرکز شی (Object Center Estimation): CenterNet نقطه مرکزی هر شی در تصویر را به جای رویکرد تشخیص سنتی مبتنی بر گوشه پیش بینی می کند. این با رگرسیون مختصات مرکز شی به طور مستقیم از خروجی شبکه به دست می آید.

2.  رگرسیون جعبه مرزی (Bounding Box Regression): هنگامی که مراکز شی شناسایی شدند، CenterNet جعبه های مرزی اطراف این مراکز را لغو می کند. عرض، ارتفاع و جهت (در صورت وجود) هر جعبه مرزی را نسبت به مراکز شناسایی شده پیش بینی می کند.

3.   طبقه‌بندی اشیا(Object Category Classification): علاوه بر پیش‌بینی مراکز شی و جعبه‌های محدودکننده، CenterNet دسته‌بندی اشیا را نیز انجام می‌دهد. این یک امتیاز احتمالی به هر شی شناسایی شده اختصاص می دهد، که احتمال تعلق آن را به یک دسته خاص نشان می دهد.

4.      شبکه بک بون: CenterNet معمولاً از یک شبکه عصبی کانولوشن (CNN) به عنوان ستون فقرات خود برای استخراج ویژگی استفاده می کند. انتخاب های رایج برای شبکه ستون فقرات شامل ResNet، Hourglass یا MobileNet است.

5.  تابع ضرر(Loss Function): CenterNet از ترکیبی از توابع ضرر رگرسیون و طبقه بندی، برای آموزش شبکه استفاده می کند. ضرر (Loss) رگرسیون، اختلاف بین جعبه‌های مرزی واقعی و پیش‌بینی‌شده را محاسبه می‌کند، در حالی که از ضرر طبقه‌بندی، طبقه‌بندی نادرست اشیا محاسبه می شود.

6. عملکرد در زمان واقعی: مدل‌های CenterNet به گونه‌ای طراحی شده‌اند که سریع و کارآمد باشند و برای کاربردهای بلادرنگ مانند خودروهای خودران، سیستم‌های نظارت و دستگاه‌های تلفن همراه مناسب باشند.

7.  معماری سبک: مدل‌های CenterNet دارای معماری سبک وزن هستند که نیازهای محاسباتی را کاهش می‌دهد و آنها را برای استقرار در دستگاه‌های دارای محدودیت منابع مناسب می‌سازد.

8. ترکیب ویژگی‌های چند مقیاسی: مدل‌های CenterNet از رویکرد ترکیبی ویژگی‌های چند مقیاسی استفاده می‌کنند که به آنها اجازه می‌دهد اشیا با اندازه‌ها و مقیاس‌های مختلف را شناسایی کنند.

فواید:

کاربردهای رایج:

·    ماشین‌های خودران: مدل‌های CenterNet را می‌توان برای تشخیص اشیا در وسایل نقلیه خودران استفاده کرد، که امکان تشخیص بی‌درنگ عابران پیاده، ماشین‌ها و سایر موانع را فراهم می‌کند.

·    سیستم‌های نظارتی: مدل‌های CenterNet را می‌توان برای تشخیص اشیا در سیستم‌های نظارتی مورد استفاده قرار داد که امکان تشخیص بلادرنگ افراد، وسایل نقلیه و سایر اشیا را فراهم می‌کند.

·    دستگاه های تلفن همراه: مدل های CenterNet را می توان در دستگاه های تلفن همراه استفاده کرد که امکان تشخیص و ردیابی شی در زمان واقعی را فراهم می کند.

·   رباتیک و اتوماسیون: مدل های CenterNet را می توان در رباتیک و برنامه های اتوماسیون، مانند تشخیص و ردیابی اشیا در تولید استفاده کرد.

CenterNet چندین مزیت از جمله سادگی، کارایی و عملکرد قوی در وظایف تشخیص اشیا ارائه می دهد. با پیش‌بینی مستقیم مراکز شی، منجر به سرعت استنتاج سریع‌تر و دقت بهتر می‌شود. CenterNet با موفقیت در برنامه های مختلف از جمله تشخیص عابر پیاده، تشخیص وسیله نقلیه و تشخیص کلی اشیاء در تصاویر و ویدیوها اعمال شده است.

1-   بک بون ساعت شنی(Hourglass Backbone): شبکه ساعت شنی یک معماری شبکه عصبی کانولوشن است که برای ثبت ویژگی های چند مقیاسی به طور موثر طراحی شده است. این شامل مراحل مکرر رمزگذاری و رمزگشایی است که در آن شبکه به تدریج وضوح فضایی را کاهش می دهد و سپس آن را به اندازه اصلی نمونه برداری می کند. این شبکه را قادر می‌سازد تا با حفظ اطلاعات مکانی، جزئیات دقیق را ضبط کند.

با ترکیب CenterNet با ستون فقرات ساعت شنی، مدل TensorFlow CenterNet با ساعت شنی می تواند به طور موثر ویژگی های چند مقیاسی را ثبت کند و اشیاء را به طور دقیق در تصاویر بومی سازی کند. ستون فقرات ساعت شنی توانایی شبکه را برای گرفتن الگوها و جزئیات پیچیده افزایش می دهد که منجر به بهبود عملکرد در وظایف تشخیص اشیا می شود.

این مدل به ویژه برای کاربردهایی که به دقت بالایی نیاز است، مانند تشخیص اشیاء ریز دانه، تجزیه و تحلیل تصویر پزشکی، و تجزیه و تحلیل تصاویر ماهواره ای مناسب است. برای طیف وسیعی از وظایف بینایی کامپیوتری.

2-  بک بون ResNet101 :(ResNet101 Backbone)ResNet101 یک معماری شبکه عصبی کانولوشنال عمیق است که به خانواده ResNet تعلق دارد. از 101 لایه تشکیل شده است و به دلیل اثربخشی آن در آموزش شبکه های عصبی بسیار عمیق شناخته شده است. ResNet101 دارای اتصالات باقیمانده یا اتصالات پرش است که شبکه را قادر می سازد تا نگاشتهای باقیمانده را بیاموزد و آموزش شبکه های عمیق تر را بدون از بین رفتن گرادیان یا کاهش عملکرد آسان تر می کند.

با استفاده از ResNet101 به عنوان شبکه بک بون برای استخراج ویژگی در مدل TensorFlow CenterNet، این مدل می‌تواند از ویژگی‌های مهم موثر آموخته شده توسط ResNet101 برای بهبود دقت تشخیص اشیا استفاده کند. ResNet101 قادر به ثبت الگوها و جزئیات پیچیده در تصاویر ورودی است که می تواند برای تشخیص اشیا با مقیاس ها، جهت گیری ها و ظاهرهای مختلف مفید باشد.

ترکیب CenterNet با ستون فقرات ResNet101 مخصوصاً برای کارهای ردیابی اشیا که دقت بالایی لازم است مناسب است. تعادل خوبی بین دقت و کارایی محاسباتی فراهم می کند و آن را برای استقرار در برنامه های کاربردی دنیای واقعی مانند رانندگی مستقل، نظارت و روباتیک مناسب می کند.