Hệ thống nhận diện đối tượng thường gặp thử thách do sự biến đổi quy mô, nơi mà các vật thể xuất hiện ở kích cỡ khác nhau trong ảnh. Việc xác định vấn đề này là thiết yếu để cải thiện độ chính xác và độ mạnh của các ứng dụng như giám sát, phương tiện tự động và phân tích hình ảnh. Kỹ thuật toán học có thể giúp giảm hiệu ứng biến đổi theo tỷ lệ bằng cách tăng khả năng nhận diện các vật thể bất kể kích cỡ của chúng.

Rút phép tính đa chiều

Một cách tiếp cận thông thường là chiết xuất các tính năng ở nhiều cấp độ. Các kỹ thuật viên như kim tự tháp ảnh thay đổi kích thước hình ảnh thành các độ phân giải khác nhau, cho phép mô hình phát hiện các vật thể có kích cỡ khác nhau. Mạng lưới thần kinh tiến hóa (CNNN) cũng có thể kết hợp các tính năng đa cấp khác nhau thông qua các cấu trúc chuyên biệt xử lý thông tin ở các lớp khác nhau.

Kỹ thuật toán học cho việc co dãn sự biến đổi

Các phương pháp toán học như lý thuyết quy mô phân tích ảnh qua các cấp độ khác nhau để nhận diện tính năng ổn định. Laplacian of Gausian (LoG) và sự khác biệt của người Gaussians (DoG) được dùng để phát hiện các chấm và điểm mấu chốt khác nhau để tỉ lệ thay đổi. Những kỹ thuật này giúp tạo các tính năng phù hợp với kích cỡ thay đổi.

Sự chuẩn hóa và tính chất tra cứu

Kỹ thuật chuẩn hóa điều chỉnh kích cỡ đối tượng trong quá trình đào tạo, làm cho mô hình ít nhạy cảm hơn với sự khác biệt quy mô.

Tóm tắt kỹ thuật

  • Tính năng chiết xuất đa quy mô
  • Phân tích không gian phóng đại
  • Sự chuẩn hóa và tăng cường
  • Những cải tiến kiến trúc trong mạng thần kinh