سیستم های تشخیص شی اغلب با چالش هایی به دلیل تغییرات مقیاس مواجه می شوند، جایی که اشیاء در اندازه های مختلف در تصاویر ظاهر می شوند. پرداختن به این مسئله برای بهبود دقت و قوی بودن در برنامه های مختلف مانند نظارت، وسایل نقلیه مستقل و تجزیه و تحلیل تصویر می تواند به کاهش اثرات تنوع با افزایش توانایی مدل برای تشخیص اشیاء بدون توجه به اندازه آنها کمک کند.

Multi-Scale Feature Extract

یک رویکرد مشترک شامل استخراج ویژگی ها در مقیاس های مختلف است. تکنیک هایی مانند تصاویر اندازه گیری شده در هرم تصویر به قطعنامه های مختلف، اجازه می دهد مدل ها برای شناسایی اشیاء از اندازه های مختلف.

تکنیک های ریاضی برای مقیاس Invariance

روش های ریاضی مانند تئوری مقیاس فضا تصاویر را در مقیاس های مختلف تجزیه و تحلیل می کنند تا ویژگی های پایدار را شناسایی کنند. Laplacian از Gaussian (LoG) و تفاوت Gaussians (DoG) برای تشخیص نفخ و نقاط کلیدی که برای مقیاس تغییرات استفاده می شود.

عادی سازی و Data Augmentation

تکنیک های عادی سازی اندازه های شی را در طول آموزش تنظیم می کنند، مدل ها را کمتر به تفاوت های مقیاسی حساس می کنند. روش های تقویت داده ها، مانند مقیاس تصادفی و محصول، مدل ها را به اندازه های مختلف شی نشان می دهند، توانایی آنها برای تعمیم در مقیاس ها را بهبود می بخشد.

خلاصه ای از تکنیک ها

  • قابلیت Multi-scale استخراج
  • تحلیل مقیاس-Space Analysis
  • عادی سازی و تقویت
  • نوآوری های معماری در شبکه های عصبی