الوصف
R-FCN، وهو اختصار لشبكات التفافية بالكامل تعتمد على المناطق (Region-based Fully Convolutional Networks)، هو إطار عمل متقدم مصمم للكشف عن الكائنات. يستفيد من الشبكات التفافية العميقة بالكامل لتحقيق دقة وكفاءة عالية في تحديد الكائنات داخل الصور. على عكس كاشفات المناطق السابقة التي كانت تجري حسابات متكررة للشبكات الفرعية لكل منطقة مقترحة، يقوم R-FCN بتحسين هذه العملية بشكل كبير عن طريق جعل جميع الحسابات تقريبًا مشتركة عبر الصورة بأكملها.
قراءة المزيد
يتيح هذا الابتكار المعماري لـ R-FCN التكامل الطبيعي مع نماذج مصنفة الصور القوية، مثل ResNets، مما يعزز أداء الكشف الخاص به. تم تفصيل الإطار لأول مرة في ورقة بحثية من NIPS 2016 وتم توفيره كرمز مفتوح المصدر. تم اختباره على أنظمة تشغيل مختلفة بما في ذلك Windows 7/8 64 بت، و Windows Server 2012 R2، و Ubuntu 14.04، ويتطلب Matlab 2014a أو أحدث.
يوفر مستودع R-FCN موارد شاملة للباحثين والمطورين. يشمل ذلك رمز المصدر، وبيانات التجارب، والنماذج المدربة مسبقًا، والبرامج النصية للتدريب والاختبار. يؤكد المشروع على استخدام Caffe لتنفيذه، مع توفر تعليمات بناء محددة وملفات MEX مجمعة لمستخدمي Windows. يدعم الإطار التدريب والاستدلال من البداية إلى النهاية لمهام الكشف عن الكائنات.
توضح النتائج الرئيسية المقدمة في المستودع درجات دقة متوسطة عالية (mAP)، حيث حقق R-FCN نسبة 77.4% mAP باستخدام ResNet-50 ونسبة 79.5% mAP باستخدام ResNet-101 على مجموعة بيانات اختبار VOC 07. سرعة الاستدلال ملحوظة أيضًا، مع أوقات لكل صورة تصل إلى 0.12 ثانية على وحدة معالجة رسومات K40. تم إصدار المشروع بموجب ترخيص MIT، مما يشجع على التبني الواسع والتطوير الإضافي داخل مجتمع رؤية الكمبيوتر.
- الفئةأدوات الرؤية الحاسوبية
- نموذج التسعيرمفتوح المصدر
- النشراستضافة ذاتية
- المنصاتWindows
الميزات الأساسية لـ R-FCN
إطار عمل للكشف عن الكائنات يعتمد على المناطق
يستخدم شبكات التفافية بالكامل
حسابات مشتركة عبر الصورة بأكملها
يدعم نماذج مصنفة قوية مثل ResNets
تحديد دقيق وفعال للكائنات
يتيح التدريب والاستدلال من البداية إلى النهاية
تم اختباره على أنظمة تشغيل Windows و Ubuntu
ترخيص MIT للاستخدام مفتوح المصدر
يحقق درجات mAP عالية على مجموعات البيانات المعيارية
أوقات استدلال سريعة لكل صورة
البدء مع R-FCN
الوصول إلى النموذج: استنساخ مستودع R-FCN من GitHub.
إعداد البيئة: تثبيت بناء Caffe لـ R-FCN والتأكد من توفر Matlab 2014a أو أحدث.
تنزيل الموارد: جلب ملفات MEX مجمعة مسبقًا لـ Caffe، ونماذج تجريبية، وشبكات مدربة مسبقًا.
إعداد البيانات: تنزيل مجموعات بيانات VOC 2007 و 2012 واقتراحات المناطق المحسوبة مسبقًا.
بناء النموذج: تشغيل `rfcn_build.m` لتجميع المكونات الضرورية.
تشغيل العرض التوضيحي: تنفيذ `startup.m` ثم `experiments/script_rfcn_demo.m` للعرض التوضيحي.
التدريب/الاختبار: استخدام البرامج النصية في دليل `experiments` للتدريب والاختبار على بيانات مخصصة.
حالات استخدام R-FCN
- الكشف عن الكائنات
- تحليل الصور
- أبحاث رؤية الكمبيوتر
- الكشف في الوقت الفعلي
- تكامل التعلم العميق
