🎯 افزایش دقت تشخیص عیوب سطحی با روشی هوشمندانه!

محققان در مقاله جدیدی به سراغ رفع یکی از چالش‌های قدیمی در بینایی ماشین رفته‌اند: «ناکارآمدی IoU در شرایط خاص».

مدل‌های تشخیص اشیاء (Object Detection) معمولاً از معیار IoU برای ارزیابی تطابق کاندیداها با واقعیت استفاده می‌کنند، اما این معیار در برخی موقعیت‌های هندسی، حساسیت لازم را ندارد. روش جدید معرفی شده با اضافه کردن «معیارهای شباهت مورفولوژیکی» (شامل مساحت، شکل و نسبت ابعاد)، به مدل کمک می‌کند تا نمونه‌های مثبت را با دقت بسیار بالاتری انتخاب کند.

نکته جذاب اینجاست که این روش روی فریم‌ورک محبوب YOLOv9 پیاده‌سازی شده و به‌صورت Plug-and-Play بدون افزایش هزینه محاسباتی، دقت مدل را در تشخیص عیوب سطحی (در مجموعه داده‌های NEUDET و GC10-DET) بهبود بخشیده است. یک قدم رو به جلو برای هوش مصنوعی صنعتی! 🛠️🤖

منبع: arXiv AI