Through the Magnifying Glass: Improving Real-Time Small Object Detection

Detalhes bibliográficos
Autor(a) principal: Antunes, Diogo João Durães
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/103035
Resumo: Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
id RCAP_21b89a380148af5df9b00429580409c5
oai_identifier_str oai:estudogeral.uc.pt:10316/103035
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Through the Magnifying Glass: Improving Real-Time Small Object DetectionThrough the Magnifying Glass: Deteção de Objetos Pequenos em Tempo RealDeteção de objetosDeteção de objetos em tempo realDeteção de objetos pequenosYOLORObject detectionReal-time object detectionSmall object detectionYOLORDissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e TecnologiaA deteção de objetos em tempo real é utilizada amplamente em vários contextosna automação de sistemas que requerem uma perceção detalhada dos objetos deinteresse presentes numa dada imagem. A precisão e performance destes dete-tores tem vindo a melhorar continuamente desde a implementação de modelosdeep learning para a deteção de objetos, contudo, a precisão da deteção de objetospequenos sempre obteve resultados significativamente abaixo da média, inde-pendentemente da arquitetura utilizada. Tendo isto em conta, pretendemos mel-horar a precisão da deteção de objetos pequenos em tempo real através da alter-ação do modelo moderno na deteção de objetos em tempo real YOLOR, incorpo-rando features de maior resolução extraídas pela rede neuronal convolucional domodelo no componente de deteção, e gerando âncoras para bounding boxes adap-tadas particularmente a objetos de pequenas dimensões. Contudo, estes métodosrevelaram-se inefetivos no melhoramento da precisão dos modelos baseline es-colhidos, adicionando informação de valor limitado quando comparada com oconjunto de features originalmente utilizadas, e resultando numa maior complex-idade arquitetural, prejudicial para a performance computacional dos modelosimplementados. Uma definição compreensiva do problema da deteção de objetos pequenos, onde são apresentados os vários possíveis fatores por detrás do mesmo e definidos os critérios de distinção dos objetos em questão, e uma revisão da literatura científica atual relativa a este problema e o tópico de deteção de objetos pequenos em geral também são disponibilizadas neste trabalho.Real-time object detection is widely applied in a variety of contexts to automate systems which require a detailed perception of the objects of interest present in an image. The accuracy and speed of detectors has continued to steadily rise since the implementation of deep learning models for object detection, however, the detection accuracy obtainable for objects of smaller size has always significantly trailed behind average, independently of the used architecture. With this in mind, we sought to improve the accuracy of real-time small object detection by restructuring and tuning the modern real-time object detection model YOLOR, incorporating features of higher resolution extracted by the model's backbone network into the detection component, and generating bounding box anchors tuned specifically for objects of small size. However, these approaches proved to be ineffective in improving the detection accuracy of the baseline models, providing information of limited value when compared to the collection of features previously used, and adding unnecessary complexity to the YOLOR architecture, detrimental to its computational performance.Also provided in this work are a definition of the problem of small object detection, with a discussion of the potential factors behind it and a specific criterion by which to distinguish small objects from others, and a revision of the current literature on the problem in question and the topic of object detection in general, complete with a round-up of the state-of-the-art approaches at the time of writing.2022-09-21info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/103035http://hdl.handle.net/10316/103035TID:203077830engAntunes, Diogo João Durãesinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2022-10-19T20:38:00Zoai:estudogeral.uc.pt:10316/103035Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:19:54.557199Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Through the Magnifying Glass: Improving Real-Time Small Object Detection
Through the Magnifying Glass: Deteção de Objetos Pequenos em Tempo Real
title Through the Magnifying Glass: Improving Real-Time Small Object Detection
spellingShingle Through the Magnifying Glass: Improving Real-Time Small Object Detection
Antunes, Diogo João Durães
Deteção de objetos
Deteção de objetos em tempo real
Deteção de objetos pequenos
YOLOR
Object detection
Real-time object detection
Small object detection
YOLOR
title_short Through the Magnifying Glass: Improving Real-Time Small Object Detection
title_full Through the Magnifying Glass: Improving Real-Time Small Object Detection
title_fullStr Through the Magnifying Glass: Improving Real-Time Small Object Detection
title_full_unstemmed Through the Magnifying Glass: Improving Real-Time Small Object Detection
title_sort Through the Magnifying Glass: Improving Real-Time Small Object Detection
author Antunes, Diogo João Durães
author_facet Antunes, Diogo João Durães
author_role author
dc.contributor.author.fl_str_mv Antunes, Diogo João Durães
dc.subject.por.fl_str_mv Deteção de objetos
Deteção de objetos em tempo real
Deteção de objetos pequenos
YOLOR
Object detection
Real-time object detection
Small object detection
YOLOR
topic Deteção de objetos
Deteção de objetos em tempo real
Deteção de objetos pequenos
YOLOR
Object detection
Real-time object detection
Small object detection
YOLOR
description Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
publishDate 2022
dc.date.none.fl_str_mv 2022-09-21
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/103035
http://hdl.handle.net/10316/103035
TID:203077830
url http://hdl.handle.net/10316/103035
identifier_str_mv TID:203077830
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134092822839296

Registros relacionados