マシンビジョンアプリケーションにおける物体検出におけるトランスフォーマーモデルの利点

自動運転、スマート製造、監視などのマシン ビジョン アプリケーションでは、正確な物体検出が非常に重要です。 画像やビデオ内のオブジェクトを検出して解釈するために、YOLO、Faster R-CNN、Mask R-CNN、RetinaNet などのさまざまな AI モデルが長年にわたって開発されてきました。 しかし、物体検出のためのより効果的なソリューションとして、変圧器モデルが登場しました。

人間の視覚システムは、無関係な背景の詳細​​をフィルタリングしながら、サイズ、色、深さに基づいてオブジェクトを迅速に識別できます。 同様に、AI モデルは重要なオブジェクトに焦点を当て、背景を除外し、それらを正確に分類できる必要があります。 これには、ターゲット オブジェクトをキャプチャし、モデルのトレーニングに基づいて予測を行う必要があります。

現在のマシン ビジョン システムでは、専用の画像信号処理 (ISP) ブロックに入力されるイメージ センサーとレンズが使用されています。 このブロックの出力は、さらに分析するためにアクセラレータまたは汎用 CPU によって処理されます。

物体検出の要件はアプリケーションによって異なります。 監視や工場のシナリオでは、マシン ビジョンを使用して、人を数えたり、生産ラインの欠陥を検出したりできます。 自動車用途では、マシンビジョンは自動緊急ブレーキや車線維持支援などの先進運転支援システム (ADAS) に使用されます。

Oriented Object Detection with Transformer (O2DETR) や DEtection TRansformer (DETR) などの Transformer モデルには、Faster R-CNN などの従来のモデルに比べていくつかの利点があります。 これらはよりシンプルな設計を持ち、シングルパス、エンドツーエンドの物体検出アプローチを使用します。 たとえば、DETR は、一連の予測損失とともに、トランスフォーマーのエンコーディングとデコーディングを使用して、予測とグランド トゥルースの間のマッチングを強制します。

アンカー ボックスや非最大値抑制に依存する従来のモデルとは異なり、DETR のようなトランスフォーマー モデルはデータを並列処理し、これらの追加手順なしで重複するオブジェクトを処理できます。 これにより、変圧器モデルの物体検出がより効率的かつ正確になります。

結論として、トランス モデルはマシン ビジョン アプリケーションにおける物体検出に革命をもたらしました。 重要な物体を捕捉し、背景の詳細​​を除去し、物体を正確に分類する機能により、従来のモデルよりも好まれる選択肢となっています。 ハードウェアおよびソフトウェア開発の進歩により、センサー入力と高度なマシンビジョン機能に依存する自動運転車への道も開かれています。