التقريب المتكرر للحجم للكشف عن الأشياء في شبكات النيورونات التلافيفية (CNN)

نظرًا لعدم وجود آلية جذرية في شبكات العصبونات التلافيفية (CNN) للتعامل مع التغيرات الكبيرة في الحجم، فإننا نحتاج دائمًا إلى حساب خرائط الميزات عدة مرات لاكتشاف الأشياء متعددة الحجوم، مما يشكل عنق زجاجة من حيث تكلفة الحساب في التطبيقات العملية. لحل هذه المشكلة، قمنا بتطوير تقريب متكرر للحجم (RSA) لحساب خريطة الميزات مرة واحدة فقط، ومن خلال هذه الخريطة يمكن تقريب الخرائط المتبقية على المستويات الأخرى. في صميم RSA يوجد آلية التوسيع المتكررة: بالنظر إلى خريطة أولية عند حجم معين، تقوم بإنشاء التنبؤ عند حجم أصغر يبلغ نصف حجم الإدخال. لزيادة الكفاءة والدقة بشكل أكبر، نحن (أ): نصمم شبكة توقع الحجم لتتنبأ عالميًا بالحجوم المحتملة في الصورة، حيث لا حاجة لحساب الخرائط على جميع مستويات الهرم. (ب): نقترح شبكة تتبع المعالم (LRN) لتتبع مواقع المعالم المنحدرة وإنتاج درجة ثقة لكل معلم؛ يمكن أن تخفف LRN بشكل فعال من الإيجابيات الزائفة الناجمة عن الخطأ المتراكم في RSA. يمكن تدريب النظام بأكمله بطريقة شاملة من النهاية إلى النهاية ضمن إطار عمل CNN الموحد. تظهر التجارب أن خوارزميتنا المقترحة تتفوق على أفضل الأساليب الحالية في مقاييس اكتشاف الوجوه وتحقق نتائج مقاربة لإنشاء الاقتراحات العامة. يمكن الحصول على شفرة المصدر الخاصة بـ RSA من github.com/sciencefans/RSA-for-object-detection.