Ταχεια Ανιχνευση Αντικειμενων Σε Εικονες

Abstract

Η ανιχνευση υποψηφιων θεσεων αντικειμενων ειναι ενα σχετικα προσφατο προ- βλημα που προεκυψε λογω της πολυπλοκοτητας των αλγοριθμων ανιχνευσης αντι- κειμενων και του μεγαλου χρονου εκτελεσης τους. Σκοπος ειναι με ταχεις υπολογι- σμους να ανιχνευονται ολα τα αντικειμενα στην εικονα ανεξαρτητα απο την κλαση στην οποια ανηκουν. Οι ανιχνευσεις αυτες τροφοδοτουνται στους ανιχνευτες αντι- κειμενων ετσι ωστε οι τελευταιοι να αποφυγουν την εξαντλητικη αναζητηση με την μεθοδο κινουμενου παραθυρου. Με αυτον τον τροπο μειωνεται ο χρονος που χρειαζον- ται για να ταυτοποιησουν μια εικονα ενω ταυτοχρονα μπορουν να χρησιμοποιησουν πιο πολυπλοκους και αποτελεσματικους αλγοριθμους. Ολοι οι συγχρονοι ανιχνευτες αντικειμενων χρησιμοποιουν τις υποψηφιες θεσεις αντικειμενων..Στην διπλωματικη μας παρουσιαζουμε ολες τις συγχρονες μεθοδους για την παρα- γωγη των υποψηφιων θεσεων αντικειμενων και προτεινουμε μια νεα μεθοδο, την Seg- ment Boxes. Στην μεθοδο αυτη χρησιμοποιουμε κατατμηση της εικονας και με βαση τα τμηματα που προκυπτουν βαθμολογουμε παραθυρα μεσα στην εικονα αναλογα με την πιθανοτητα να υπαρχουν σε αυτα αντικειμενα. Προσπαθουμε να ενσωματωσουμε καλες ιδεες αλλων μεθοδων καθως και δικες μας για την επιτευξη βελτιστου αποτε- λεσματος, κατι που εχει σαν αποτελεσμα να καταληξουμε σε διαφορες προσεγγισεις της μεθοδου μας.Συγκρινουμε τις διαφορες προσεγγισεις μας και τις καλυτερες τις συγκρινουμε με τις συγχρονες μεθοδους με την χρηση καταλληλων μετρικων πανω σε εικονες απο τις βασεις εικονων PASCAL VOC07 και ImageNet2013. Στην συνεχεια ενσωματω- νουμε την μεθοδο μας σε εναν συγχρονο ανιχνευτη αντικειμενων που χρησιμοποιει βαθια μαθηση (deep learning) και συνελικτικα νευρωνικα δικτυα, τον Fast R-CNN, και συγκρινουμε και παλι τα αποτελεσματα μας με αυτα των αλλων μεθοδων, στο πραγματικο πλεον προβλημα της ανιχνευσης αντικειμενων.Στοχος μας ηταν να εξετασουμε τις δυνατοτητες της κατατμησης για το προβλημα της ανιχνευσης υποψηφιων θεσεων αντικειμενων. Τα αποτελεσματα της μεθοδου μας ειναι ανταγωνισιμα και σε μερικες περιπτωσεις ξεπερνουν τα αποτελεσματα των συγ- χρονων μεθοδων, επιτυγχανοντας μικρο χρονο εκτελεσης (μεχρι και 0.3 δευτερολεπτα ανα εικονα).