ターゲット検出アルゴリズムの分類とその評価指標をご紹介します

オブジェクト検出は、画像またはビデオ内のオブジェクトを識別して位置を特定するために使用されるコンピューター ビジョンのタスクです。監視、自動運転、ロボット工学などの用途で重要な役割を果たします。物体検出アルゴリズムは、ネットワークが同じ入力画像を使用する回数に基づいて、大きく 2 つのカテゴリに分類できます。

シングルパス オブジェクト検出

シングルパス オブジェクト検出は、画像内のオブジェクトの存在と位置を 1 回のパスで予測し、パフォーマンスを向上させます。計算効率。

ただし、シングルショットの物体検出は、特に小さな物体の検出に関しては、通常、他の方法ほど正確ではありません。それにもかかわらず、これらのアルゴリズムは、リソースが限られた環境でもリアルタイムでオブジェクトを検出できます。

2 回の物体検出

物体検出では通常、2 つの入力画像を使用して物体の存在と位置を予測します。最初の検出では潜在的な物体の位置に関する一連の候補が生成され、2 番目の検出ではこれらの候補がさらに絞り込まれ、フィルタリングされて、最終的に最も正確な予測が生成されます。この方法は単一ターゲットの検出よりも正確ですが、計算コストも増加します。

全体として、単一オブジェクト検出と二重オブジェクト検出のどちらを選択するかは、アプリケーションの特定の要件と制約によって異なります。

一般に、リアルタイム アプリケーションには 1 つのターゲット検出の方が適しており、精度がより重要なアプリケーションには 2 つのターゲットの検出がより適しています。

物体検出モデルのパフォーマンス評価メトリクス

さまざまな物体検出モデルの予測パフォーマンスを決定して比較するには、標準的な定量的メトリクスが必要です。

最も一般的な 2 つの評価メトリクスは、Intersection over Union (IoU) メトリクスと Average Precision (AP) メトリクスです。

Intersection over Union (IoU)

IoU (Intersection over Union) は、測位精度の測定と位置推定誤差の計算に使用される一般的なメトリックです。物体検出モデル。

予測されたバウンディング ボックスと実際のバウンディング ボックスの間の IoU を計算するには、まず、同じオブジェクトの 2 つの対応するバウンディング ボックス間の交差領域を取得します。この後、2 つの境界ボックスによってカバーされる合計領域 (「和集合」とも呼ばれます) と、それらの間の重なり合う領域 (「交差」と呼ばれます) を計算します。

交差を和集合で割ると、総面積に対する重なりの比率が得られます。これは、予測された境界ボックスが元の境界ボックスにどの程度近いかを適切に推定することができます。

平均精度 (AP)

平均精度 (AP) は、一連の予測の精度対再現率曲線の下の面積として計算されます。 。

再現率は、カテゴリの下でモデルによって行われた予測の合計と、そのカテゴリの既存のラベルの合計数の比率として計算されます。精度は、モデルによって行われた予測全体に対する真陽性の比率です。

再現率と精度は、分類のしきい値を変えることによって曲線としてグラフで表されるトレードオフを提供します。この精度対再現率曲線の下の領域から、各クラスのモデルの平均精度が得られます。すべてのカテゴリにわたるこの値の平均は、平均精度 (mAP) と呼ばれます。

以上がターゲット検出アルゴリズムの分類とその評価指標をご紹介しますの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。