SSD (सिंगल शॉट डिटेक्टर) डीप लर्निंग ऑब्जेक्ट डिटेक्शन मॉडलों का एक परिवार है जो न्यूरल नेटवर्क के एक ही फॉरवर्ड पास में वर्गीकरण और स्थानीकरण करता है। पहले के दो-चरणीय डिटेक्टरों के विपरीत, जो पहले क्षेत्र प्रस्तावित करते हैं और फिर उन्हें वर्गीकृत करते हैं, SSD बाउंडिंग बॉक्स के आउटपुट स्थान को विभिन्न पहलू अनुपातों और पैमानों पर डिफ़ॉल्ट बॉक्सों के एक सेट में विभाजित करता है, और फिर प्रत्येक डिफ़ॉल्ट बॉक्स के लिए ऑब्जेक्ट वर्ग और बॉक्स ऑफ़सेट की भविष्यवाणी एक ही शॉट में करता है। यह डिज़ाइन SSD को अपने पूर्ववर्तियों की तुलना में काफी तेज़ बनाता है, जबकि प्रतिस्पर्धी सटीकता बनाए रखता है, जिसने इसे वीडियो निगरानी, स्वायत्त ड्राइविंग और संवर्धित वास्तविकता जैसे वास्तविक समय के अनुप्रयोगों के लिए एक लोकप्रिय विकल्प बना दिया।
SSD आर्किटेक्चर को 2016 के एक पेपर "SSD: सिंगल शॉट मल्टीबॉक्स डिटेक्टर" में वेई लियू, ड्रैगोमिर एंगुएलोव, डुमित्रु एरहान, क्रिश्चियन स्ज़ेगेडी, स्कॉट रीड, चेंग-यांग फू और अलेक्जेंडर सी. बर्ग द्वारा पेश किया गया था। यह कार्य Google में किया गया था और 2016 में यूरोपियन कॉन्फ्रेंस ऑन कंप्यूटर विज़न (ECCV) में प्रस्तुत किया गया था। मॉडल VGG-16 बैकबोन के शीर्ष पर बनाया गया था, जो एक प्रसिद्ध कन्वोल्यूशनल न्यूरल नेटवर्क आर्किटेक्चर है, और इसमें कई सहायक कन्वोल्यूशनल परतें जोड़ी गईं जो फीचर मैप्स के स्थानिक रिज़ॉल्यूशन को धीरे-धीरे कम करती हैं। ये मल्टी-स्केल फीचर मैप डिटेक्टर को विभिन्न आकारों की वस्तुओं को संभालने की अनुमति देते हैं, जिसमें पहले की परतें छोटी वस्तुओं के लिए बारीक विवरण पकड़ती हैं और बाद की परतें बड़ी वस्तुओं के लिए अधिक शब्दार्थ जानकारी प्रदान करती हैं।
आर्किटेक्चर और डिज़ाइन
SSD का मुख्य नवाचार डिफ़ॉल्ट बॉक्सों का उपयोग है, जिन्हें एंकर बॉक्स भी कहा जाता है, जो प्रत्येक फीचर मैप स्थान पर विभिन्न पहलू अनुपातों और पैमानों के पूर्वनिर्धारित बाउंडिंग बॉक्स होते हैं। प्रत्येक डिफ़ॉल्ट बॉक्स के लिए, नेटवर्क वर्ग संभावनाओं और बॉक्स निर्देशांक के सापेक्ष चार ऑफ़सेट की भविष्यवाणी करता है। प्रशिक्षण के दौरान, डिफ़ॉल्ट बॉक्स को इंटरसेक्शन-ओवर-यूनियन (IoU) थ्रेशोल्डिंग के आधार पर ग्राउंड-ट्रूथ वस्तुओं से मिलान किया जाता है, और हानि फ़ंक्शन स्थानीकरण हानि (स्मूथ L1) और आत्मविश्वास हानि (सॉफ्टमैक्स क्रॉस-एन्ट्रॉपी) को जोड़ता है। SSD सकारात्मक और नकारात्मक उदाहरणों के बीच असंतुलन को दूर करने के लिए हार्ड नेगेटिव माइनिंग भी नियोजित करता है, लगभग 1:3 का अनुपात बनाए रखता है।
नेटवर्क कई परतों से फीचर मैप का उपयोग करता है, आमतौर पर conv4_3, conv7, conv8_2, conv9_2, conv10_2, और conv11_2, प्रत्येक परत अलग-अलग संख्या में डिफ़ॉल्ट बॉक्स उत्पन्न करती है। उदाहरण के लिए, मूल SSD300 (इनपुट आकार 300x300) में, डिफ़ॉल्ट बॉक्स की कुल संख्या 8732 है। मल्टी-स्केल दृष्टिकोण महत्वपूर्ण है क्योंकि यह मॉडल को उच्च-रिज़ॉल्यूशन फीचर मैप का उपयोग करके छोटी वस्तुओं और कम-रिज़ॉल्यूशन फीचर मैप का उपयोग करके बड़ी वस्तुओं का पता लगाने की अनुमति देता है, बिना किसी स्पष्ट क्षेत्र प्रस्ताव चरण की आवश्यकता के।
प्रशिक्षण और अनुकूलन
SSD को PASCAL VOC और Microsoft COCO डेटासेट पर प्रशिक्षित किया गया था। PASCAL VOC 2007 परीक्षण सेट पर, SSD300 ने एकल Nvidia Titan X GPU पर 58 फ्रेम प्रति सेकंड (FPS) पर 72.1% माध्य औसत परिशुद्धता (mAP) प्राप्त की, जबकि SSD512 ने 22 FPS पर 76.8% mAP प्राप्त किया। इन परिणामों ने गति-सटीकता व्यापार-बंद के मामले में तत्कालीन अत्याधुनिक फास्टर R-CNN (73.2% mAP at 7 FPS) और YOLO (63.4% mAP at 45 FPS) को पीछे छोड़ दिया। प्रशिक्षण प्रक्रिया में यादृच्छिक क्रॉप, रंग विरूपण और क्षैतिज फ़्लिपिंग जैसी डेटा वृद्धि तकनीकों का उपयोग किया गया था।
लेखकों ने फीचर फ्यूज़न के साथ SSD नामक एक संस्करण भी पेश किया, जो छोटी वस्तु पहचान को और बेहतर बनाने के लिए निम्न-स्तरीय और उच्च-स्तरीय फीचर मैप को जोड़ता है। बाद के कार्यों, जैसे DSSD (डिकन्वोल्यूशनल सिंगल शॉट डिटेक्टर) और FSSD (फीचर फ्यूज़न सिंगल शॉट मल्टीबॉक्स डिटेक्टर) ने सटीकता बढ़ाने के लिए SSD के विचारों पर निर्माण किया, हालांकि उन्होंने अक्सर कुछ गति का त्याग किया।
प्रभाव और विरासत
SSD का कंप्यूटर विज़न और ऑब्जेक्ट डिटेक्शन के क्षेत्र पर स्थायी प्रभाव पड़ा है। इसने प्रदर्शित किया कि एकल-चरणीय डिटेक्टर दो-चरणीय डिटेक्टरों के बराबर सटीकता प्राप्त कर सकते हैं जबकि वे बहुत तेज़ होते हैं, जिसने रेटिनानेट और YOLO संस्करणों जैसे बाद के मॉडलों को प्रभावित किया। डिफ़ॉल्ट बॉक्स और मल्टी-स्केल भविष्यवाणी की अवधारणा को कई आधुनिक डिटेक्टरों में व्यापक रूप से अपनाया गया है, जिसमें EfficientDet और अधिक हालिया आर्किटेक्चर की एंकर-आधारित शाखाएं शामिल हैं। SSD कई मशीन लर्निंग फ्रेमवर्क में एक मानक घटक भी बन गया और TensorFlow ऑब्जेक्ट डिटेक्शन API में शामिल किया गया, जिससे यह चिकित्सकों के लिए सुलभ हो गया।
आर्टिफिशियल इंटेलिजेंस अनुसंधान के संदर्भ में, SSD को अक्सर वास्तविक समय, कुशल मॉडलों की ओर बदलाव में एक प्रमुख मील का पत्थर के रूप में उद्धृत किया जाता है जो एज डिवाइसों पर चल सकते हैं। इसके डिज़ाइन सिद्धांतों को ऑब्जेक्ट डिटेक्शन से परे, जैसे चेहरे की पहचान और पाठ पहचान में भी लागू किया गया है। गति और सटीकता को संतुलित करने की मॉडल की क्षमता ने इसे एम्बेडेड सिस्टम और मोबाइल अनुप्रयोगों के लिए एक लोकप्रिय विकल्प बना दिया, और यह शैक्षणिक बेंचमार्क में एक संदर्भ बिंदु बना हुआ है।
संबंधित विकास
SSD के बाद, कई सुधार प्रस्तावित किए गए। रेटिनानेट मॉडल ने एकल-चरणीय डिटेक्टरों में वर्ग असंतुलन समस्या को हल करने के लिए फोकल लॉस पेश किया, जिसने COCO पर SSD की तुलना में बेहतर सटीकता हासिल की। YOLO परिवार, YOLO9000 से शुरू होकर, SSD के समान मल्टी-स्केल भविष्यवाणियों को शामिल किया। इसके अतिरिक्त, MobileNet-SSD संस्करण ने मोबाइल परिनियोजन के लिए SSD को हल्के बैकबोन के साथ जोड़ा, यह प्रदर्शित करते हुए कि डिटेक्टर को संसाधन-सीमित वातावरण में अनुकूलित किया जा सकता है।
डीप लर्निंग आर्किटेक्चर के व्यापक परिदृश्य में, SSD की तुलना अक्सर फास्टर R-CNN जैसी क्षेत्र-आधारित विधियों और बाद के ट्रांसफॉर्मर-आधारित डिटेक्टरों जैसे DETR (डिटेक्शन ट्रांसफॉर्मर) से की जाती है, जो हाथ से तैयार एंकर की आवश्यकता को समाप्त करते हैं। हालाँकि, SSD की सादगी और दक्षता ने इसकी निरंतर प्रासंगिकता सुनिश्चित की है, विशेष रूप से उन परिदृश्यों में जहाँ विलंबता महत्वपूर्ण है।
यह भी देखें
संदर्भ
- Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A. C. (2016). SSD: सिंगल शॉट मल्टीबॉक्स डिटेक्टर। ECCV।
- Lin, T.-Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2017). फोकल लॉस फॉर डेंस ऑब्जेक्ट डिटेक्शन। ICCV।
- Redmon, J., & Farhadi, A. (2017). YOLO9000: बेटर, फास्टर, स्ट्रॉन्गर। CVPR।