সনাক্তকরণে এক-এক মিল বনাম বহু-এক মিল পদ্ধতি

সনাক্তকরণে এক-এক মিল কী?

একটি ডিটেকশন অ্যাসাইনমেন্ট স্ট্র্যাটেজি যেখানে ট্রেনিং চলাকালীন প্রতিটি গ্রাউন্ড-ট্রুথ অবজেক্টকে ঠিক একটি প্রেডিক্টেড বক্সের সাথে মেলানো হয়।

• DETR এবং এর উত্তরসূরি যেমন Deformable DETR ও DINO-তে মূল অ্যাসাইনমেন্ট প্রক্রিয়া হিসেবে ব্যবহৃত হয়।
• পূর্বাভাস এবং বাস্তব তথ্যের মধ্যে সর্বোত্তম এক-এক জোড় খুঁজে বের করতে হাঙ্গেরিয়ান অ্যালগরিদমের উপর নির্ভর করে।
• অনেক বাস্তবায়নে ইনফারেন্সের সময় নন-ম্যাক্সিমাম সাপ্রেশনের প্রয়োজনীয়তা দূর করে।
• এর ফলে আরও বৈচিত্র্যপূর্ণ পূর্বাভাস তৈরি হওয়ার প্রবণতা থাকে, কারণ প্রতিটি কোয়েরি স্বতন্ত্র টার্গেটের জন্য প্রতিযোগিতা করে।
• ওয়ান-টু-মেনি বিকল্পগুলোর তুলনায় এর কনভার্জেন্স ধীর হতে পারে, যার ফলে প্রায়শই বেশি ট্রেনিং এপোকের প্রয়োজন হয়।

বহু-থেকে-এক মিল পদ্ধতি কী?

একটি ডিটেকশন অ্যাসাইনমেন্ট কৌশল যেখানে প্রশিক্ষণের সময় একাধিক পূর্বাভাসিত বক্সকে একই গ্রাউন্ড-ট্রুথ অবজেক্টে বরাদ্দ করা যেতে পারে।

• Faster R-CNN, RetinaNet, এবং YOLO-র বিভিন্ন সংস্করণের মতো প্রচলিত ডিটেক্টরগুলোতে এটি সাধারণ, যেগুলো অ্যাঙ্কর-ভিত্তিক হেড ব্যবহার করে।
• ইনফারেন্সের পরে ডুপ্লিকেট প্রেডিকশনগুলো অপসারণ করার জন্য প্রায়শই নন-ম্যাক্সিমাম সাপ্রেশনের সাথে এটি ব্যবহার করা হয়।
• এটি আরও নিবিড় তত্ত্বাবধান সংকেত প্রদান করে, যা সাধারণত প্রশিক্ষণের অভিসারকে ত্বরান্বিত করে।
• এর ফলে অপ্রয়োজনীয় পূর্বাভাস হতে পারে, কারণ একাধিক অ্যাঙ্কর একই বস্তুকে লক্ষ্য করতে পারে।
• এটি H-DETR এবং Sparse R-CNN-এর মতো হাইব্রিড মডেলে ব্যবহৃত ওয়ান-টু-মেনি অ্যাসাইনমেন্ট হেডের ভিত্তি তৈরি করে।

তুলনা সারণি

বিস্তারিত তুলনা

সুবিধা এবং অসুবিধা