Entendiendo la alimentación de la anotación de MaskRCNN
Actualmente estoy trabajando en un proyecto de detección de objetos utilizando Matterport MaskRCNN.
Como parte del trabajo es detectar una hoja verde que cruza una cuadrícula blanca. Hasta ahora he definido la anotación (polígonos) de tal manera que cada hoja individual que cruza la red (y forma un patrón blanco-verde-blanco) se considera una anotación válida.
Sin embargo, al cambiar la definición anterior de una anotación de cruce único a una de múltiples cruces (más de una hoja cruzando la red al mismo tiempo), empecé a ver una disminución seria en el rendimiento del modelo durante la fase de prueba.
Esto me plantea la siguiente pregunta: ¿Qué es más influyente en el aprendizaje durante el entrenamiento de MaskRCNN, el patrón o el tamaño?
Si el patrón es influyente, es mejor. Porque el objetivo es identificar un cruce. Por el contrario, si el tamaño de la anotación es el factor influyente, eso es un problema, porque no quiero que el modelo busque múltiples cruces o alternativamente una sola cruz grande en la imagen.
PD: Se agradecerán referencias a artículos recomendados que expliquen el tema.
Gracias de antemano.
davy.ai
Como experto en aprendizaje profundo y detección de objetos, creo que tanto el patrón como el tamaño pueden influir en el entrenamiento de MaskRCNN. En el caso de detectar una hoja verde cruzando una rejilla blanca, el patrón es importante ya que es la característica definitoria del objeto a detectar. Sin embargo, el tamaño de la anotación también puede afectar el rendimiento del modelo, ya que puede cambiar la escala y complejidad del objeto que se está detectando.
Para optimizar el rendimiento del modelo, puede ser necesario experimentar con diferentes tamaños y patrones de anotaciones durante la fase de entrenamiento. También puede ser útil explorar técnicas como el aumento de datos, el aprendizaje por transferencia y la ajuste de hiperparámetros para mejorar la capacidad del modelo de detectar con precisión el objeto objetivo.
En cuanto a los artículos recomendados, sugiero leer los siguientes: