الهيراركيات الغنية للميزات للكشف الدقيق عن الأجسام والتجزئة الدلالية

لقد استقر أداء الكشف عن الأجسام، كما تم قياسه على مجموعة بيانات PASCAL VOC المرجعية، في السنوات القليلة الماضية. الطرق الأفضل أداءً هي أنظمة تجميع معقدة تجمع عادةً بين ميزات الصور منخفضة المستوى وسياق عالي المستوى. في هذه الورقة، نقترح خوارزمية كشف بسيطة وقابلة للتوسع تحسن دقة المتوسط المرجح (mAP) بأكثر من 30% مقارنةً بأفضل نتيجة سابقة على VOC 2012، محققة mAP بنسبة 53.3%. تجمع طريقتنا بين رؤيتين رئيسيتين: (1) يمكن تطبيق الشبكات العصبية التلافيفية عالية السعة على مقترحات المناطق من الأسفل إلى الأعلى من أجل تحديد موقع الأجسام وتجزئتها و(2) عندما تكون بيانات التدريب المسماة نادرة، فإن التدريب المسبق بمساعدة الإشراف لمهمة مساعدة، يليه ضبط دقيق خاص بالمجال، يعطي دفعة كبيرة في الأداء. نظرًا لأننا نجمع بين مقترحات المناطق مع الشبكات العصبية التلافيفية، فإننا نسمي طريقتنا R-CNN: مناطق بميزات CNN. نقدم أيضًا تجارب توفر رؤى حول ما تتعلمه الشبكة، مما يكشف عن هيراركية غنية من ميزات الصورة. الشيفرة المصدرية للنظام الكامل متاحة على http://www.cs.berkeley.edu/~rbg/rcnn.