📅 🕵🏿 👍🏻 सिमेंटिक सेगमेंट के माध्यम से मज़बूती से सटीक, तेज़ और हल्के बारकोड खोज 🛋️ 👆🏿 👨🏽‍🔬

छवियों में वस्तुओं के लिए खोज? प्रशिक्षण के नमूने और तंत्रिका नेटवर्क के बारे में ज्ञान का एक न्यूनतम सेट होने के बाद, आज कोई भी छात्र एक निश्चित सटीकता का समाधान प्राप्त कर सकता है। हालांकि, इस समस्या को हल करने के लिए उपयोग किए जाने वाले अधिकांश तंत्रिका नेटवर्क काफी गहरे हैं, और इसलिए प्रशिक्षण के लिए बहुत अधिक डेटा की आवश्यकता होती है, वे अपेक्षाकृत धीरे-धीरे इंजेक्शन चरण में काम करते हैं (खासकर यदि डिवाइस में जीपीयू नहीं है), वे बहुत वजन करते हैं और काफी ऊर्जा-गहन होते हैं। उपरोक्त सभी कुछ मामलों में बहुत महत्वपूर्ण हो सकते हैं, मुख्य रूप से मोबाइल अनुप्रयोगों के लिए।

बारकोड एक काफी सरल संरचना वाली वस्तुएं हैं। अनुसंधान के दौरान, हम अपेक्षाकृत सरल दृष्टिकोण का उपयोग करते हुए, इस तरह की सरल वस्तुओं को बहुत सटीक रूप से खोजने के लिए (हम अत्याधुनिक को हराते हैं) और जल्दी से पर्याप्त (औसत सीपीयू पर वास्तविक समय) का उपयोग करने में सक्षम थे। इसके अलावा, हमारे डिटेक्टर बहुत हल्का है, केवल 30k वजन है। हम इस लेख में हमारे शोध के परिणामों के बारे में बात करेंगे।

लेकिन समाधान के बारे में बात करने से पहले, यह अभी भी विषय क्षेत्र में थोड़ा गोताखोरी के लायक है, और शायद यह बारकोड क्या हैं के साथ शुरू होने लायक है।

बारकोड क्या है और इसकी तलाश क्यों की जाती है?

मशीन-पठनीय डेटा प्रारूपों के समूह के लिए बारकोड एक सामान्य नाम है। आपने शायद बारकोड और क्यूआर कोड के बारे में सुना है - ये सिर्फ बारकोड के विशेष मामले हैं। आधुनिक दुनिया में, उन्हें टिकटों पर, दुकानों में माल पर, आधिकारिक दस्तावेजों में और कई अन्य स्थानों पर पाया जा सकता है।

बारकोड को आमतौर पर एक आयामी में विभाजित किया जाता है, जिसे काले और सफेद धारियों के एक समूह द्वारा दर्शाया जाता है, और दो-आयामी, छोटे वर्ग या आयताकार ब्लॉक से मिलकर बनता है। जैसा कि आप आंकड़ा में देख सकते हैं, सामान्य तौर पर, विभिन्न प्रकार एक-दूसरे के समान होते हैं।

जटिलता को कुछ प्रकार के बारकोड द्वारा दर्शाया जा सकता है जिसके लिए लंबाई निर्दिष्ट नहीं है। इस तरह के बारकोड मनमाने ढंग से लंबे और एक ही समय में बहुत पतले हो सकते हैं।

ऊपर दिया गया उदाहरण कृत्रिम है, लेकिन समान अनुपात वाले बारकोड वास्तविक दस्तावेजों में पाए जाते हैं, विशेष रूप से चालान में।

और चूंकि ये मशीन-पठनीय प्रारूप हैं, इसलिए उन्हें हार्डवेयर द्वारा अपेक्षाकृत आसानी से पहचाना जाना चाहिए। हालांकि, मान्यता के पथ पर पहला कदम खोज है, और इस लेख में चर्चा की जाएगी।

यह ध्यान देने योग्य है कि लेजर स्कैनर और कई एप्लिकेशन एक व्यक्ति की सक्रिय भागीदारी का मतलब है - आपको बारकोड पर कैमरा / स्कैनर को स्पष्ट रूप से इंगित करने की आवश्यकता है ताकि यह मान्यता प्राप्त हो, जिस मामले में खोज की आवश्यकता है, ज़ाहिर है, गायब हो जाता है। हालांकि, इस परिदृश्य में, उपयोगकर्ताओं को अपने हिस्से पर अतिरिक्त प्रयासों को खर्च करने के लिए मजबूर किया जाता है, जो अच्छा नहीं है। यह दृष्टिकोण भी छवि में कई वस्तुओं की पहचान की अनुमति नहीं देता है, केवल एक तक सीमित है।

समस्या और गुणवत्ता मीट्रिक का विवरण

निर्मित बारकोड डिटेक्टर से हम क्या चाहेंगे?

छवि के सभी बारकोड्स को ढूंढना काफी सटीक है *
लंबे और बहुत संकीर्ण बारकोड का पता लगाएं
सीपीयू पर वास्तविक समय

* यह सटीकता के मुख्य मीट्रिक के रूप में IoU = 0.5 की सीमा के साथ वस्तुओं के लिए एफ-माप का उपयोग करने का प्रस्ताव है। हम सटीक, रिकॉल और डिटेक्शन रेट को भी देखेंगे।

मेट्रिक्स की औपचारिक परिभाषा

सबसे पहले, हम आईओयू की अवधारणा को पेश करते हैं - संघ पर प्रभाव (जिसे जैकार्ड इंडेक्स भी कहा जाता है)। सच होने ( $जी$ ) और भविष्यवाणी ( $एफ$ ) वस्तु का मुखौटा, IoU की गणना संघ के क्षेत्र द्वारा विभाजित चौराहे क्षेत्र के रूप में की जाती है।

$J (G, F) = \ frac {| G \ cap F |} {| G \ cup F |} $$

यह देखना आसान है कि IoU 0 से 1. मान लेता है। अब, इस उपाय के आधार पर, हम सटीकता, रिकॉल, एफ-माप और डिटेक्शन रेट की अवधारणाओं को पेश करते हैं।

नमूने में एन ऑब्जेक्ट्स होने दें। हमने दहलीज IoU को कुछ निश्चित संख्या के बराबर सेट किया $टी$ (उदा। 0.5)। किसी वस्तु के लिए $जी$ , और पता लगाना $एफ$ विश्वास है कि अगर $J (G, F) \ ge t$ ऑब्जेक्ट मिला (1), अन्यथा हम मानते हैं कि ऑब्जेक्ट नहीं मिला (0)। तो $याद (टी)$ नमूना वस्तुओं के अनुपात के रूप में परिभाषित, $परिशुद्धता (टी)$ - कम से कम एक नमूना वस्तु के अनुरूप निरोधों का अनुपात। एफ-माप को मानक रूप से हार्मोनिक माध्य के रूप में परिभाषित किया गया है $2 * परिशुद्धता (टी) * याद (टी) / (परिशुद्धता (टी) + याद (टी))$ ।

यह समझने के लिए बना रहता है कि पता लगाने की दर क्या है। नमूने में वस्तुओं के साथ M चित्र हों। हम तस्वीर में सही और अनुमानित मास्क के बीच आईओयू की गणना करते हैं, इसी तरह तस्वीर की दहलीज काट देते हैं। डिटेक्शन रेट चित्रों का वह अंश है जिसके द्वारा सभी अनुमानित वस्तुओं के कुल IoU के साथ सभी सत्य वस्तुओं का कुल IoU किसी दिए गए सीमा टी से अधिक है।

पिछले अध्ययनों में (बारकोड्स का पता लगाने पर), गुणवत्ता का आकलन करने के लिए पहचान दर का उपयोग करने के लिए प्रथागत है। हालाँकि, हम इस स्थिति पर विचार करते हैं - चलो छवि में एक बहुत बड़ी और एक बहुत छोटी वस्तु है, लेकिन डिटेक्टर बड़ा पाया और छोटा नहीं मिला। इस मामले में, पता लगाने की दर केवल एक त्रुटि का संकेत देगी यदि दहलीज बहुत बड़ी है। $टी$ करीब 1. जब तक $याद$ मनमाने ढंग से दहलीज मूल्यों के लिए 0.5 से अधिक नहीं होगी $टी$ , जो एफ-माप को 1 से कम कर देगा। यानी, इस तरह के उदाहरण के लिए, एफ-माप पहले एक त्रुटि का संकेत दे सकता है (कम सीमा के अर्थ में $टी$ ) का पता लगाने की दर से।

इसलिए, हमारे प्रयोगों में, हम एफ-माप पर भरोसा करते थे, और पिछले वर्षों के काम की तुलना करने के लिए पहचान दर का उपयोग करते थे।

पाठ डिटेक्टरों से प्रेरित

शायद सबसे प्रसिद्ध और लोकप्रिय ऑब्जेक्ट डिटेक्टर जब गति महत्वपूर्ण है, तो YOLO (यू ओनली लुक वंस)। YOLOv2 और YOLOv3 के बाद के संस्करण भी हैं, लेकिन सामान्य तौर पर यह दृष्टिकोण अधिक या कम वर्ग की वस्तुओं के लिए अच्छा है, लेकिन संकीर्ण, लेकिन बहुत लम्बी वस्तुओं को खोजने में, यह दृष्टिकोण इतना मजबूत नहीं है।

इसलिए हमने दूसरा रास्ता तय किया। जैसा कि आप आसानी से देख सकते हैं, छवि में पाठ वाली लाइनें भी बहुत लम्बी और संकीर्ण हैं, और वैज्ञानिक समुदाय में छवियों में पाठ खोजने का कार्य काफी लोकप्रिय है (निश्चित रूप से बारकोड की खोज से अधिक लोकप्रिय) और ग्राफ संरचना के आधार पर विभिन्न दिलचस्प आर्किटेक्चर का आविष्कार किया गया था। हमारा निर्णय सिर्फ एक पाठ खोज कार्य से प्रेरित है जिसमें PixelLink वास्तुकला प्रस्तावित है।

पाठ खोज के लिए PixelLink

दृष्टिकोण का सार इस प्रकार है - आइए इस तरह के उदाहरण विभाजन की समस्या को हल करें:

प्रत्येक पिक्सेल के लिए, हम द्विआधारी वर्गीकरण समस्या (पाठ / पाठ नहीं) को हल करेंगे।
प्रत्येक पिक्सेल के लिए, हम उसके पड़ोसियों के साथ 8 लिंक (लिंक) की भविष्यवाणी करेंगे। संचार का अर्थ है कि पिक्सल की यह जोड़ी एक वस्तु (उदाहरण) से संबंधित है।
छवि से लिंक के साथ एक टेक्स्ट / नॉट टेक्स्ट सेगमेंटेशन मैप और मैप प्राप्त करने के बाद, हम एक ग्राफ इकट्ठा करते हैं जिसमें कोने पिक्सेल होंगे जिनकी टेक्स्ट क्लास की भविष्यवाणी की गई है और किनारों लिंक हैं।
हम इस ग्राफ में जुड़े घटक पाते हैं।
प्रत्येक जुड़े घटक के आसपास, न्यूनतम एनक्लोजर आयत (उदाहरण के लिए, ओपनसीवी का उपयोग करके) का चयन करें, जो अंतिम खोज होगी।

यह प्रक्रिया रेखांकन द्वारा चित्रित की गई है, यह आंकड़ा मूल लेख से लिया गया है।

पाठ की खोज के लिए यह दृष्टिकोण अत्याधुनिक के मुकाबले काफी सभ्य परिणाम देता है।

पिक्सेल लिंक बारकोड के लिए खोज करने के लिए

हम अब बारकोड पर लौटते हैं। हमने खुद से पूछा - क्या हमें वाकई इन लिंक्स की ज़रूरत है? आखिरकार, बारकोड, पाठ के विपरीत, अधिकांश मामलों में एक दूसरे से बहुत दूर हैं। और वास्तव में, विनिर्देश के अनुसार, कई प्रकार के बारकोड में निकटतम पड़ोसी वस्तुओं के लिए एक निश्चित अंतर होना चाहिए।
सामान्य तौर पर, हमने तय किया कि हमें विशेष रूप से लिंक की आवश्यकता नहीं है, और दृष्टिकोण को इस प्रकार संशोधित किया है:

हम शब्दार्थ विभाजन की समस्या को हल करते हैं - प्रत्येक पिक्सेल के लिए हम बारकोड / गैर-बारकोड की कक्षा निर्धारित करते हैं।
हम पिक्सेल में कोने के साथ एक ग्राफ बनाते हैं जिसके लिए बारकोड का प्रकार निर्धारित किया जाता है। किनारों के रूप में, लिंक की तलाश करने के बजाय, हम मानते हैं कि बारकोड प्रकार के आसन्न पिक्सल के किसी भी जोड़े के बीच एक लिंक है।
हम इस ग्राफ में जुड़े घटक पाते हैं।
प्रत्येक जुड़े घटक के आसपास, न्यूनतम संलग्नक आयत का चयन करें, जो अंतिम खोज होगी।

इसलिए, हमने सामान्य समाधान योजना पर फैसला किया। पैराग्राफ 2-4 को तुच्छ माना जा सकता है, लेकिन आइए चर्चा करें कि शब्दार्थ विभाजन से कैसे निपटा जाए।

सिमेंटिक सेगमेंटेशन के लिए नेटवर्क आर्किटेक्चर

थोड़ा सा इतिहास जो आमतौर पर इस्तेमाल किया जाता है

सामान्य तौर पर, यू-नेट के आगमन के बाद से लगभग 2013 से तंत्रिका नेटवर्क का उपयोग करने वाला सिमेंटिक विभाजन चल रहा है। U- नेट में, स्थानिक रिज़ॉल्यूशन को पहले धीरे-धीरे एनकोडर में कम किया गया, फिर धीरे-धीरे डिकोडर में बढ़ाया गया, मध्यवर्ती एनकोडर सुविधाओं से मध्यवर्ती डिकोडर सुविधाओं में सीधे कनेक्शन भी छोड़ दिए गए। थोड़ी देर बाद, पतला संकल्प दिखाई दिया (नीचे आंकड़ा देखें), जिसमें बेहतर गुणवत्ता मिली, लेकिन प्रसंस्करण के लिए अधिक स्मृति और गणना की आवश्यकता थी। खैर, अंत में, Deeplabv3 + के रूप में जाना जाने वाला एक दृष्टिकोण था, इन दोनों दृष्टिकोणों को मिलाकर और इस लेखन के समय मानव-डिज़ाइन किए गए आर्किटेक्चर के बीच अत्याधुनिक होने के नाते (वास्तव में, न्यूरल आर्किटेक्चर खोज के लिए धन्यवाद, अधिक प्रभावी समाधान, उदाहरण के लिए )।

आइए हम थोड़ा दृढ़ संकल्प पर ध्यान केन्द्रित करें, क्योंकि अंतिम निर्णय में, हम इसके गुणों पर भरोसा करेंगे।

सामान्य दृढ़ संकल्प इस तरह से काम करता है

नियमित रूप से दृढ़ संकल्प

जबकि पतला संलयन नीचे दिखाया गया है (छवि में पतला कारक 2 है)

पतला दृढ़ संकल्प

आप देख सकते हैं कि पारंपरिक कनवल्शन वास्तव में पतला कनवल्शन का विशेष मामला है (फैलाव कारक 1 के साथ)।

सामान्य तौर पर, सिमेंटिक सेगमेंटेशन के लिए समाधानों की चर्चा एक अलग नहीं बल्कि बड़े लेख के लिए एक विषय है, मैं सिर्फ एक छोटा सा रिमाइंडर बनाना चाहता था जिसमें सबसे महत्वपूर्ण बात यह है कि पतले कनवल्शन डिवाइस से निपटना है। यदि आप शब्दार्थ विभाजन के लिए नए हैं, तो यहां लेखक के लिए सबसे अच्छी समीक्षा ज्ञात है, हालांकि, यह समझने के लिए कि आगे क्या होगा, इसके साथ परिचित होना आवश्यक नहीं है।

अगर सब कुछ इतना आसान था ...

गुणवत्ता के अलावा, हमारे तंत्रिका नेटवर्क की मुख्य आवश्यकता गति है। हमारे डेटा में, छवि के आकार के सापेक्ष इतने छोटे बारकोड होते हैं कि न्यूनतम रिज़ॉल्यूशन जिस पर यह तंत्रिका नेटवर्क को चलाने के लिए समझ में आता है, कम से कम 512x512 होना चाहिए, और अधिमानतः 1024x1024। इसी समय, छवि पर (और एक कोर पर भी!) 100 से अधिक एमएस के लिए सीपीयू पर काम करने की आवश्यकता है। इनपुट रिज़ॉल्यूशन और कुल ऑपरेटिंग समय के लिए आवश्यकताओं के सेट के संदर्भ में, कार्य बहुत तुच्छ नहीं है। इस तरह के गंभीर प्रतिबंधों के साथ, मजबूत, गहरे आर्किटेक्चर का उपयोग संभव नहीं है। निष्पक्षता में, हमने अभी तक एक कोर पर 100 एमएस की आवश्यकता को पूरा नहीं किया है, लेकिन अंतिम समाधान 4 कोर (इंटेल कोर i5, 3.2 गीगाहर्ट्ज) पर 40 एमएस काम करता है।

दुर्भाग्य से, सिमेंटिक सेगमेंट के लिए हमारे द्वारा ज्ञात सभी आर्किटेक्चर स्पष्ट रूप से इन प्रतिबंधों में फिट नहीं हुए। इसलिए हमारे पास एक विकल्प था: या तो यह ज्ञात नहीं है कि पूरी तरह से कुछ नया कैसे लाया जाए, या जितना संभव हो उतना लोकप्रिय आर्किटेक्चर में से एक को सरल बनाने का प्रयास करें। हमारे पास कोई शानदार विचार नहीं था, इसलिए हमने बाद को चुना।

प्रसंग एकत्रीकरण नेटवर्क से प्रेरित है

पतला संकल्पों में निम्नलिखित उपयोगी गुण होते हैं - यदि आप उन्हें क्रमिक रूप से बढ़ते हुए तनु कारक के साथ क्रमिक रूप से लागू करते हैं, तो ग्रहणशील क्षेत्र तेजी से बढ़ेगा (जबकि साधारण संकल्पनाओं के मामले में यह रैखिक रूप से बढ़ता है)।

आंकड़ा ( स्रोत ) तंत्रिका नेटवर्क के ग्रहणशील क्षेत्र में घातीय वृद्धि को दर्शाता है जब क्रमिक रूप से पतला संलयन लागू होता है। (ए) एफ 0 को एफ 0 से प्राप्त किया जाता है, जो कि परिक्षेपण = 1, ग्राही क्षेत्र = 3x3 के साथ एफ 1 में प्रत्येक तत्व के लिए होता है (बी) एफ 2 एफ 1 से प्राप्त होता है। एफ 3 में प्रत्येक तत्व के लिए फैलाव = 4, ग्रहणशील क्षेत्र = 15x15 के साथ दृढ़ संकल्प का उपयोग करके F2 से प्राप्त किया गया

"मल्टी-स्केल कॉन्टेक्स्ट एग्रीगेशन बाय डिल्डेंट कन्वर्सेशन" लेख में , इस संपत्ति के आधार पर एक विशेष ब्लॉक (जिसे कॉन्टेक्ट मॉड्यूल के लेखकों द्वारा कहा गया है) का आविष्कार किया गया था, जिसका उपयोग वर्तमान पिक्सेल के संदर्भ से जानकारी एकत्र करने के लिए किया जाता है। लेख में, यह ब्लॉक नेटवर्क के शीर्ष पर उपयोग किया जाता है जो पहले से ही जानता है कि संदर्भ जानकारी का उपयोग करके इन पूर्वानुमानों को परिष्कृत करने के लिए विभाजन की समस्या को कैसे हल किया जाए।

हमने इस संदर्भ मॉड्यूल को लेने का फैसला किया, लेकिन इसका उपयोग मौजूदा अच्छे मॉडल की भविष्यवाणियों में सुधार करने के लिए नहीं, बल्कि दृढ़ संकल्प नेटवर्क के मुख्य भाग के रूप में करें , जो इस समस्या को हल करेगा। सामान्य तौर पर, हमारे आर्किटेक्चर को निम्नानुसार व्यवस्थित किया जाता है (तालिका देखें):

डाउनस्केल मॉड्यूल - सरलतम विशेषताओं को निकालने और रिज़ॉल्यूशन को कम करने के लिए प्रारंभिक दृढ़ संकल्प।
संदर्भ मॉड्यूल अनिवार्य रूप से पतला संकल्पों का एक समूह है जो ग्रहणशील क्षेत्र को जल्दी से बढ़ाएगा, इस प्रकार एक बड़े संदर्भ से विशेषताओं को इकट्ठा करेगा।
अंतिम परत (1x1 दृढ़ संकल्प), बारकोड / गैर-बारकोड के सिमेंटिक विभाजन के लिए एक संभाव्यता मानचित्र प्राप्त करना। इसके अलावा, अगर हम पता लगाए गए बारकोड के प्रकार के बीच अंतर करना चाहते हैं, तो एन चैनलों को अतिरिक्त रूप से भविष्यवाणी की जाती है (नीचे देखें)।

यही है, परिणामस्वरूप वास्तुकला में, प्रत्येक परत में सी = 24 चैनलों की एक निरंतर छोटी संख्या का उपयोग किया जाता है, पहले 3 संकल्प संकल्प को कम करते हैं, बाद के संकल्प (संदर्भ मॉड्यूल) फीचर मैप के प्रत्येक तत्व के ग्रहणशील क्षेत्र को बढ़ाते हैं।

आर्किटेक्चर हाइपरपरमेटर्स टेबल, अन्य बातों के अलावा, यह इंगित करता है कि क्या वर्तमान परत पर कनवल्शन अलग है। पारंपरिक रूप से अलग-अलग दृढ़ संकल्प पारंपरिक रूप से k ^ के क्रम का त्वरण देते हैं, जो पारंपरिक कनवल्शन की तुलना में 2 गुना है, जहां k फ़िल्टर का आकार है। व्यवहार में, त्वरण बहुत कम हो सकता है (यह सब छवि संकल्प, इनपुट और आउटपुट फिल्टर की संख्या पर निर्भर करता है)।

शुरू में, हमने सभी संकल्पों को अलग करने की कोशिश की, लेकिन इससे गुणवत्ता में गिरावट आई। तब हमने केवल पहले 3 संकल्पों को अलग करने का निर्णय लिया, जो उच्च छवि संकल्पों के साथ काम करते हैं, और तदनुसार, बाद के संकल्पों की तुलना में अधिक गणनाओं की आवश्यकता होती है। इसी समय, इस तरह के प्रतिस्थापन से गुणवत्ता पहले से ही काफी कम हो गई है। पृथक्करण के कारण कुल, तंत्रिका नेटवर्क में एक और 20% की तेजी आई।

अंतिम अस्पष्टीकृत क्षण रहता है - अंतिम परत में संख्या N का क्या अर्थ है। N विभिन्न प्रकार की वस्तुओं (हमारे मामले में, बारकोड) की संख्या के लिए जिम्मेदार है जिसे हम अलग करना चाहते हैं। यदि हम सबसे सरल मामले पर विचार कर रहे हैं - जब आपको केवल वस्तुओं को खोजने की आवश्यकता होती है, और आपको उनके प्रकार को निर्धारित करने की आवश्यकता नहीं है (यह एक बारकोड है और कोई बात नहीं) - आप एन = 0 पर विचार कर सकते हैं। यदि हम अभी भी बारकोड के प्रकारों में अंतर करना चाहते हैं (यह एक प्रकार का बारकोड है [ऐसे-और-ऐसे]), तो अंतिम परत में एन चैनल जोड़े जाते हैं जिसमें एक निश्चित प्रकार के होने की संभावनाओं की भविष्यवाणी की जाती है। अब, उस आयत के रूप में पता लगाने के लिए जिसमें बारकोड स्थित है, हम इस पाए गए आयत के अंदर वर्गों की संभावनाओं को औसत कर सकते हैं, जिससे हम पाए गए बारकोड के प्रकार का पता लगा सकते हैं।

परिणाम

एक समाधान प्राप्त करने के बाद, आपको हमेशा अपने चारों ओर देखना चाहिए और पहले के अध्ययन के साथ समाधान की गुणवत्ता की तुलना करनी चाहिए। सामान्य तौर पर, बारकोड की खोज करने का कार्य बहुत लोकप्रिय नहीं है, पिछले 10 वर्षों से प्रति वर्ष केवल 1-2 लेख प्रकाशित किए गए थे (जैसा कि आप जानते हैं, अत्याधुनिक को हरा देने का सबसे सरल तरीका अलोकप्रिय कार्य को खोजना है, जिसे हम अंततः सफल हुए हैं .. ) .. नीचे दी गई तालिका दो डेटासेट पर अन्य दृष्टिकोणों की तुलना करती है, जिनमें से एक पर हमें बेहतर परिणाम मिले।

उत्कृष्टता, ज़ाहिर है, सुपर प्रभावशाली नहीं है, लेकिन अभी भी मौजूद है। हालांकि, पाया गया समाधान की मुख्य विशेषता बिल्कुल नहीं है, लेकिन गति में - समान GPU (GTX 1080) पर एक ही YOLO की तुलना में, और एक उच्च छवि संकल्प पर, हमारी विधि ~ 3.5 गुना तेजी से काम करती है।

गति लाभ के अलावा, अंतिम मॉडल के वजन में एक फायदा है। डिटेक्टर में ~ 30 हजार तराजू हैं, जबकि आधुनिक कन्वेंशन नेटवर्क के विशाल बहुमत (मोबाइल उपकरणों के लिए भी तेज) में लाखों पैरामीटर हैं। अंतिम समाधान का वजन LeNet से भी कम है, जिसमें ~ 60 हजार पैरामीटर थे।

निष्कर्ष

वास्तव में, यह काम दो सरल विचारों पर आधारित है:

शब्दार्थ विभाजन के माध्यम से पता लगाना।
ग्रहणशील क्षेत्र के सबसे तेजी से संभव विकास के लिए चैनलों की एक छोटी संख्या के साथ पतला संलयन के अनुक्रम का उपयोग करना।

परिणाम एक बहुत ही हल्का और तेज वास्तुकला था, जिसने फिर भी काफी सभ्य परिणाम दिखाए (और बारकोड को खोजने के अलोकप्रिय कार्य में भी सोता को हराया)। इसके अलावा, इस दृष्टिकोण का आवेदन बारकोड तक सीमित नहीं है। हमने टेक्स्ट को खोजने, बिजनेस कार्ड और पासपोर्ट की खोज करने, इन कार्यों के लिए अच्छे परिणाम प्राप्त करने के लिए समान आर्किटेक्चर का उपयोग किया।

हालांकि, यह ध्यान देने योग्य है कि इस रूप में इस दृष्टिकोण की सीमाएं हैं। यदि एक ही प्रकार की 2 वस्तुएं बहुत करीब स्थित हैं, तो वे एक में एक साथ चिपकेंगी। शायद अगली श्रृंखला में, हम आपको बताएंगे कि इस तरह की समस्या से कैसे निपटा जाए।

बारकोड के साथ प्रयोगों के परिणामों के आधार पर, हमने एक लेख लिखा जो सिडनी में ICDAR2019 में प्रस्तुत किया जाएगा।

साहित्य

हमारे प्रयोगों के परिणामों और विवरणों की एक बड़ी संख्या के साथ एक लेख। सिमेंटिक सेगमेंटेशन के माध्यम से यूनिवर्सल बारकोड डिटेक्टर
सिमेंटिक सेगमेंटेशन के लिए आर्किटेक्चर के विकास पर एक उत्कृष्ट समीक्षा लेख। लिंक
PixelLink: इंस्टेंस सेगमेंटेशन के माध्यम से सीन टेक्स्ट का पता लगाना
यह लेख संदर्भ से जानकारी इकट्ठा करके भविष्यवाणियों को बेहतर बनाने के लिए पतला दृढ़ संकल्प का उपयोग करने के बारे में है। मल्टी-स्केल कॉन्टेक्स्ट एग्रीगेशन फ्रॉम दलेलेटेड कन्वर्सेशन

कंप्यूटर विजन रिसर्च ग्रुप

सिमेंटिक सेगमेंट के माध्यम से मज़बूती से सटीक, तेज़ और हल्के बारकोड खोज