Bài viết dựa trên nội dung của bài báo Generative modeling for Small-Data Object Detection

  1. Giới thiệu

Model Gan gần đây có nhiều ảnh hưởng mạnh mẽ trong việc tạo ra chất lượng ảnh giả cao không phân biệt được từ những ảnh thật. Một câu hỏi tự nhiên gần đây đặt ra rằng, liệu rằng dữ liệu được sinh ra liệu có thể sử dụng cho việc đào tạo dữ liệu trong học máy.

Một cái nhìn chung cho thấy rằng những lợi ích từ việc sinh dữ liệu cho phát hiện đối tượng cái mà gần đây yêu cầu một lượng lớn dữ liệu để đạt được hiệu quả cao. Nhưng để phát hiện đối tượng, dữ liệu lớn là rất khó để dàn được những đối tượng hiếm và khó khăn trong những vị trí gợi ý. Một ví dụ là ảnh y tế – phát hiện bệnh là rất ít được gán nhãn bởi vì bệnh bởi tự nhiên là hiếm gặp và những chú thích thì cần được hoàn thiện bởi các chuyên gia, và vì vậy nó rất giá trị. Để giải quyết vấn đề phát hiện đối tượng hiếm dữ liệu, ví dụ cụ thể hóa bệnh, một máy phát hiện tốt có thể cung cấp hỗ trợ tới bác sĩ chụp X-Quang để khuyến nghị một tiến trình phần tích và làm giảm cơ hội của những khối u bị thiếu hoặc là cung cấp cho người bác sĩ nếu như bác sĩ Xquang là không sẵn sàng.

Trong bài báo này sử dụng mô hình sinh để cải thiện hiệu quả trong phát hiện dữ liệu nhỏ. Trực tiếp cài đặt mô hình sinh có nhiều vấn đề. Đàu tiêm, những nghiên cứu trước trong trong chèn đối tượng cho mô hình sinh thường cần những mặt nạ phân đoạn, cái àm thuwongf không sẵn sàng. Ví dụ trong phát hiện bệnh. Thứ 2, Model GAN là thiết kế để cung cấp ảnh gần giống với thực tế, nhưng ảnh sinh ra là không bảo đảm rằng có thể giúp đào tạo dữ liệu trong phát hiện đối tượng. Một phần khác, ở đây thì không có phản hồi chính xác từ detector tới generator. Cái mà có nghĩa rằng mô hình sinh không thể đào tạo rõ ràng để cải thiện môt hình phát hiện.

Để giải quyết vấn đề này, bài báo đề xuất một mô hình DetectorGAN cái mà có thể kết nối mô hình sinh và model GAN cùng nhau. Mô hình này tích hợp một mô hình phát hiện và mô hình sinh và mô hình phân biệt và đào tạo mô hình phân biệt để cải thiệ hiệu quả phát hiện.

DetectorGAn có 2 cách tiếp cận sau mô hình sinh: Một với mô hình phân biệt để cải thiệt độ thực tế và không phân biệt được của ảnh được sinh ra, và một cái khác với nữa là với mô hình sinh đưa ra phản hồi như thees nào để sinh ra ảnh tốt hơn để cải thiện mô hình phát hiện. Tối ưu adversarial losses và detection losses. Để sinh ra nhiều ảnh cái mà có lợi cho mô hình phát hiện, công thức loss được tính toán cẩn thận. Một cái khó là mục tiêu của bài báo là sinh ra ảnh để cải thiện hiệu xuất phát hiện của ảnh thật, nhưng sinh ra có thể nhận độ dốc từ những loss phát hiện trên ảnh thật bởi vì ảnh thật là không được sinh ra. Để giải quyết vấn đề này, phương pháp đề xuất liên kết giữa mô hình sinh và mô hình phát hiện trong những ảnh thật bởi mở ra một quy trình quay lui của quy trình đào tạo phát hiện.

Chúng tôi chứng minh rằng hiệu quả của sử dụng DetectorGAN để cải thiện phát hiện nhỏ trong 2 dữ liệu cho phát hiện bệnh và phát hiện người đi bộ.

  1. Những nghiên cứu liên quan
  2. DetectorGAN
    1. Cấu trúc mô hình
    2. Đào tạo mô hình generator với Detection Losses
    3. Tổng quan về Loss và training
  3. Thực nghiệm
    1. Dữ liệu
    2. Phát hiện người đi bộ

LEAVE A REPLY

Please enter your comment!
Please enter your name here