HyperAIHyperAI

Command Palette

Search for a command to run...

DAVE -- نموذج الكشف والتحقق للعد بمعدلات منخفضة

Jer Pelhan Alan Lukežič Vitjan Zavrtanik Matej Kristan

الملخص

المعدات ذات الإطارات القليلة (Low-shot counters) تقدر عدد الأشياء المرتبطة بفئة مختارة، بناءً على أمثلة قليلة أو غير موجودة تم تسميتها في الصورة. الطرق الحالية الأكثر تقدماً تقدير العدد الكلي من خلال جمع خريطة كثافة مواقع الأشياء، ولكنها لا توفر مواقع و أحجام الأشياء الفردية، وهي عناصر أساسية للكثير من التطبيقات. يتم معالجة هذا الأمر بواسطة المعدات القائمة على الكشف (detection-based counters)، والتي ومع ذلك تتأخر في دقة العد الكلي بسبب الكثير من الإيجابيات الخاطئة (false positives). بالإضافة إلى ذلك، تميل كلتا الطريقتين إلى زيادة تقدير العدد في وجود فئات أشياء أخرى. نقترح نظام DAVE، وهو معد قائم على نموذج الكشف والتحقق (detect-and-verify paradigm)، يتجنب المشكلات المذكورة أعلاه من خلال إنشاء مجموعة كشف عالية الاسترجاع أولاً ثم التحقق من هذه الاكتشافات لتحديد وإزالة القيم الشاذة (outliers). هذا يزيد بشكل مشترك من نسبة الاسترجاع والدقة، مما يؤدي إلى تقديرات دقيقة للعدد. يتفوق DAVE على أفضل المعدات القائمة على الكثافة بنسبة حوالي 20% في خطأ متوسط العد الكلي (MAE)، ويتفوق على آخر المعدات القائمة على الكشف بنسبة حوالي 20% في جودة الاكتشاف ويحدد مستوى جديدًا لأحدث التقنيات في العد بدون أمثلة (zero-shot) وكذلك العد المستند إلى تعليمات النص (text-prompt-based counting).


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp