Computer Vision — Thị giác máy tính
Chỉ số chuẩn để đánh giá mô hình phát hiện đối tượng, dùng chung cho ảnh y tế và kiểm tra ngoại quan công nghiệp.
Đường rơi dốc quanh ngưỡng 0.5 nghĩa là kết quả đang phụ thuộc vào đúng chỗ đặt ngưỡng, và con số công bố ở một ngưỡng duy nhất sẽ gây hiểu nhầm. Đó là lý do COCO báo cáo trung bình trên nhiều ngưỡng.
Một hộp được tính là đúng khi phần giao trên phần hợp vượt ngưỡng. Ngưỡng càng thấp thì con số càng đẹp mà mô hình không hề tốt lên.
Với ứng dụng đo kích thước hay gắp vật, 0,5 là quá lỏng: hai hộp lệch nhau khá nhiều vẫn đạt. Hãy công bố ở 0,75 trở lên nếu vị trí thật sự quan trọng.
Trung bình thấp hơn hẳn trung vị nghĩa là có vài hộp trượt hoàn toàn kéo xuống, chứ không phải toàn bộ mô hình kém.
Không giao nhau chút nào. Đây là lỗi phát hiện sai vật chứ không phải lỗi định vị, và cần xem lại dữ liệu huấn luyện chứ không phải chỉnh ngưỡng.
| IoU tại các ngưỡng | 0.5: 60% · 0.6: 60% · 0.7: 60% · 0.75: 60% · 0.8: 60% · 0.9: 20% |
| IoU nhỏ nhất | 0.0756 |
| IoU lớn nhất | 0.9120 |
| Số hộp IoU = 0 (trượt hoàn toàn) | 0 |
| Công thức | IoU = diện tích giao / diện tích hợp |
Đường rơi dốc quanh ngưỡng 0.5 nghĩa là kết quả đang phụ thuộc vào đúng chỗ đặt ngưỡng, và con số công bố ở một ngưỡng duy nhất sẽ gây hiểu nhầm. Đó là lý do COCO báo cáo trung bình trên nhiều ngưỡng.
Ngưỡng đang dùng là 0.5. Vài hộp gần 0 giữa một loạt hộp cao là kiểu lỗi khác hẳn với việc mọi hộp đều lệch nhẹ — cái đầu là bắt nhầm vật, cái sau là sai lệch hệ thống khi hồi quy toạ độ.
| Hộp | IoU | Đạt ngưỡng 0.5 | Đạt 0,75 |
|---|---|---|---|
| #1 | 0.8616 | có | có |
| #2 | 0.8356 | có | có |
| #3 | 0.4118 | không | không |
| #4 | 0.9120 | có | có |
| #5 | 0.0756 | không | không |
| IoU tại các ngưỡng | 0.5: 60% · 0.6: 60% · 0.7: 60% · 0.75: 60% · 0.8: 60% · 0.9: 20% |
| IoU nhỏ nhất | 0.0756 |
| IoU lớn nhất | 0.9120 |
| Số hộp IoU = 0 (trượt hoàn toàn) | 0 |
| Công thức | IoU = diện tích giao / diện tích hợp |
1.234.567 lẫn 1.234,56.Thị giác máy tính trích thông tin từ ảnh và video: phân loại, phát hiện đối tượng, phân đoạn. Chất lượng dữ liệu huấn luyện — đặc biệt là tính đại diện của nó — quyết định nhiều hơn kiến trúc mô hình.
| mAP | chuẩn cho phát hiện đối tượng |
| IoU | chất lượng phân đoạn |
| FPS | khả năng chạy thời gian thực |
Phần quan trọng nhất của trang này. Một phương pháp được mô tả mà không nói chỗ nó hỏng là phiên bản quảng cáo của phương pháp đó.
Chưa có mô hình nào gắn riêng cho chủ đề này. Đây là những mô hình của cả ngành — liên quan ở cấp ngành, không phải cấp chủ đề.
Cơ chế attention, nắm quan hệ xa.
Tích chập nhân quả với receptive field kiểm soát được.
Sharpe sau khi phạt vì số lần thử và độ lệch/nhọn của đuôi.
Tỉ lệ cấu hình thắng in-sample lại xếp dưới trung vị ngoài mẫu.
Thị giác máy tính trích thông tin từ ảnh và video: phân loại, phát hiện đối tượng, phân đoạn. Chất lượng dữ liệu huấn luyện — đặc biệt là tính đại diện của nó — quyết định nhiều hơn kiến trúc mô hình.
1. Thu thập ảnh phủ hết các biến thể sẽ gặp khi triển khai. 2. Tăng cường dữ liệu phù hợp với biến thể thật, không tăng cường bừa. 3. Tinh chỉnh từ mô hình đã huấn luyện trên tập lớn. 4. Kiểm tra hiệu suất theo từng phân nhóm điều kiện chụp.
Mô hình học đặc điểm nền thay vì đối tượng — đổi bối cảnh là hỏng. Tập kiểm thử lấy từ cùng buổi chụp với tập huấn luyện, nên không đo được khả năng tổng quát hoá.
mAP — chuẩn cho phát hiện đối tượng; IoU — chất lượng phân đoạn; FPS — khả năng chạy thời gian thực.
Chưa xây dựng. Mục này hiện là điều hướng và tài liệu tham chiếu; chúng tôi không gắn nhãn 'live' cho thứ chưa chạy.