СРАВНИТЕЛЬНЫЙ АНАЛИЗ МОДЕЛЕЙ, ОСНОВАННЫХ НА GPT И СОБСТВЕННОЙ СОЗДАННОЙ НЕЙРОННОЙ СЕТИ В ЗАДАЧЕ ОБНАРУЖЕНИЯ ОБЪЕКТОВ

В последние годы применение нейронных сетей значительно расширилось за счет разработки моделей, таких как Generative Pre-trained Transformer (GPT) и различных вариаций сверточных нейронных сетей (CNN) для различных задач машинного зрения. Одной из ключевых задач в этой области является обнаружение объектов на изображениях.
В этой статье представлен сравнительный анализ моделей на основе GPT, предварительно обученных моделей и созданных искусственных нейронных сетей в контексте обнаружения объектов. Обнаружение объектов является ключевой задачей в компьютерном зрении, а приложения охватывают различные области, такие как автономное вождение, наблюдение и медицинская визуализация. Исследование начинается с изложения основ обнаружения объектов и важности выбора правильной модели для эффективной реализации.
Преимущества их обширной предварительной подготовки сопоставляются с проблемами, связанными с высокими вычислительными требованиями и ограниченной настройкой.

1. Improving Language Understanding by Generative Pre-Training / A. Radford et al // 2018. Available at: https://www.cs.ubc.ca/~amuham01/LING530/papers/radford2018improving.pdf.

2. Language Models are Few-Shot Learners / T. Brown et al // In: Advances in Neural Information Processing Systems. 2020. Available at: https://arxiv.org/abs/2005.14165.

3. Girshick R. Fast R-CNN / R. Girshick In: Proceedings of the IEEE International Conference on Computer Vision (ICCV) (2015). Available at: https://arxiv.org/abs/1504.08083.

4. YOLOv3: An Incremental Improvement / J. Redmon, et al. 2018. Available at: https://arxiv.org/abs/1804.02767.

5. SSD: Single Shot MultiBox Detector / W. Liu, et al // In: European Conference on Computer Vision (ECCV). 2016. Available at: https://arxiv.org/abs/1512.02325.

6. An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale / А. Dosovitskiy et al // In: International Conference on Learning Representations (ICLR). 2021. Available at: https://arxiv.org/abs/2010.11929.

7. End-to-End Object Detection with Transformers / N. Carion, et al // In: European Conference on Computer Vision (ECCV) (2020). Available at: https://arxiv.org/abs/2005.12872.

8. A Comparative Study of Object Detection Algorithms in Various Image Datasets / Y. Liu et al // In: Journal of Visual Communication and Image Representation. 2019. Available at: https://www.sciencedirect.com/science/article/abs/pii/S1047320319300536.

9. Object Detection with Deep Learning: A Review / Z. Zhao et al // In: IEEE Transactions on Neural Networks and Learning Systems. 2019. Available at: https://ieeexplore.ieee.org/document/8662474

10. Goodfellow I. Deep Learning / I. Goodfellow, Y. Bengio, A. Courville // MIT Press. 2016. Available at: https://www.deeplearningbook.org/.

11. Szeliski R. Computer Vision: Algorithms and Applications / R. Szeliski // Springer. 2010. Available at: https://szeliski.org/Book/.

12. Attention is All You Need / A. Vaswani et al // In: Advances in Neural Information Processing Systems (NIPS). 2017. Available at: https://arxiv.org/abs/1706.03762.