ОБЪЕКТІНІ АНЫҚТАУ ТАПСЫРМАСЫНДА GPT ЖӘНЕ ӨЗІМІЗ ЖАСАҒАН НЕЙРОНДЫҚ ЖЕЛІ НЕГІЗІНДЕГІ МОДЕЛЬДЕРДІ САЛЫСТЫРМАЛЫ ТАЛДАУ

Соңғы жылдары нейрондық желілерді пайдалану компьютерлік көрудің әртүрлі тапсырмалары үшін Генеративті алдын ала дайындалған трансформатор (GPT) және конволюционды нейрондық желілердің (CNN) әртүрлі вариациялары сияқты модельдердің дамуымен айтарлықтай кеңейді. Бұл саладағы негізгі міндеттердің бірі кескіндердегі нысанды анықтау болып табылады. Соңғы жылдары объектілерді анықтау мәселелерін шешудің әртүрлі тәсілдері пайда болды, олар кең мағынада үш негізгі түрге бөлінеді: GPT негізіндегі модельдер, алдын-ала дайындалған модельдер және арнайы жасалған жасанды нейрондық желілер. Бұл тәсілдердің әрқайсысының бірегей артықшылықтары мен кемшіліктері бар, сондықтан әртүрлі сценарийлерде олардың сипаттамалары мен тиімділігін түсіну маңызды.
Бұл жұмыс нысанды анықтау контекстінде GPT негізіндегі модельдердің, алдын ала дайындалған модельдердің және құрастырылған жасанды нейрондық желілердің салыстырмалы талдауын ұсынады. Нысандарды анықтау компьютерлік көрудің негізгі міндеті болып табылады және қолданбалар автономды жүргізу, бақылау және медициналық бейнелеу сияқты әртүрлі өрістерді қамтиды. Зерттеу нысанды анықтау негіздерін және тиімді жүзеге асыру үшін дұрыс үлгіні таңдау маңыздылығын сипаттаудан басталады. Олардың ауқымды алдын ала дайындығының артықшылықтары жоғары есептеу талаптары мен шектеулі теңшеумен байланысты қиындықтармен салыстырылады.

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.