Немного печально, что SpineNet от гугла даже не упомянул про EfficientDet (тоже от гугла, но лучше) хоть и был опубликован почти через 3 недели после. Видимо, это уже привычная практика для подобной ситуации даже за пределами ML-сообщества. Вот сравнение SpineNet и EfficientDet (ну и до кучи другие сетки):
Сюда конечно не вошли ещё много других интересных статей, которые сравнивают по inference time. Данные поэтому далеко неполные и возможно не очень точные, но какое-то представление о более-менее быстрых вариантах даёт. В частности, может быть кому-то будет интересно посмотреть на SM-NAS и DetNASNet, который даже в чём-то лучше чем EfficientDet.
Поэтому появилась необходимость узнать, какие архитектуры нейросетей обнаруживают объекты на изображениях…
Object Detection in 20 Years: A Survey — хорошая обзорная статья. В частности, отвечает на вопрос «куда это все движется» в отношении object detection. Из последних достижений, не отмеченных в этой обзорной статье, можно добавить: EfficientDet, SpineNet, CSPNet…
По мере изучения этих архитектур я понял, что ничего не понимаю… Нет системного мышления! Не понятно, что менять и как оптимизировать имеющиеся достижения… Постепенное уменьшение точности и увеличение скорости вычислений: нечеткая логика, алгоритмы бустинга ...
Вы за какое время попытались изучить имеющиеся достижения? Не похоже, что вы этим уже давно занимаетесь.
Ну хорошо, есть CSPNet с весами, который наверное где-то даже быстрее чем SpineNet. Ещё интересно было бы узнать на каких задачах у вас mAP@0.75 больше 0.95.
Перед тобой снова задача детектирования объектов. Приоритет — скорость работы при приемлемой точности. Берешь архитектуру YOLOv3 и дообучаешь. Точность(mAp75) больше 0.95. Но скорость прогона всё еще низкая.
YOLOv3 подустарел для object detection. Последний коммит, которому уже почти полтора года, очень грустный. Посмотрите какой-нибудь SpineNet — он быстрее, при этом ещё и точнее.
Очевидная проблема, требующая всестороннего исследования, поэтому, конечно, публикуется множество соответствующих статей — 1, 2, 3, 4, 5, 6, 7. Это лишь то, что лежит на поверхности после одной минуты гугления.
> 667 нс в воздухе для 100 метров. Сейчас уже у многих период импульсов около 1-1.5 мкс. 5-10 мкс соответствуют 1.5-3 км. Длительность импульсов тоже сокращают вплоть до 1 нс.
Одно из основных преимуществ лидаров над радарами — это более высокое угловое и/или пространственное разрешение. Просто сравните картинку с не самого крутого VLP-32C и радара «высокого разрешения» от того же Cognitive Technologies, который использует модный диапазон около 80ГГц. В отличии от VLP-32C у Cognitive Technologies контуры автомобилей крайне условные, про пешеходов я вообще молчу. VLP-32C помимо времени прохождения импульса измеряет отражательную способность поверхности, поэтому может различать различные объекты, находящиеся близко друг от друга и/или на одинаковом расстоянии от лидара. Тоже самое в какой-то степени реализовывают и для радаров, но относительно низкое разрешение не раскрывает возможностей данной фичи для обсуждаемых задач.
Оплетка на кабеле разрезана на 8 частей, все части соединены параллельно и образуют один виток первичной обмотки. Центральная жила кабеля образует 8 витков вторичной обмотки. Амплитуда импульса напряжения с трансформатора оценивается примерно в 70-80 кВ
Не очень понятно как в такой конструкции не пробивает изоляцию из вторички в первичку. На входе 10 кВ? Из каких соображений оценивалось 70-80 кВ на выходе?
К сожалению, хабр уже достаточно давно превратился в то место, где многие стоящие комментарии зачастую остаются почти без внимания. Больше половины моих комментариев именно такие. Даже если писать в личку — вероятность, что статью исправят, близится к нулю. Никому это не надо. Всем наплевать.
Настолько опечатались, что на этом же графике диоксид кремния лежит значительно ниже чем ZBLAN? Картинка на википедии наверное единственное место, где кто-то «опечатался» (чтобы ввести в заблуждение?). Никто конечно не будет делать многокилометровые телекоммуникационные кабели из ZBLAN волокна, который в основном используется в спектроскопии и лазерах/усилителях на длинных волн > 2мкм. Честно говоря, даже лень искать кто запустил утку.
По ссылке — затухание указано в децибел на метр. Обойти собственное поглощение и рэлеевское рассеяние как фундаментальные явления, проявляющиеся при распространении электромагнитного излучения через твердое тело, будет почти невозможно.
Сюда конечно не вошли ещё много других интересных статей, которые сравнивают по inference time. Данные поэтому далеко неполные и возможно не очень точные, но какое-то представление о более-менее быстрых вариантах даёт. В частности, может быть кому-то будет интересно посмотреть на SM-NAS и DetNASNet, который даже в чём-то лучше чем EfficientDet.
Object Detection in 20 Years: A Survey — хорошая обзорная статья. В частности, отвечает на вопрос «куда это все движется» в отношении object detection. Из последних достижений, не отмеченных в этой обзорной статье, можно добавить: EfficientDet, SpineNet, CSPNet…
Вы за какое время попытались изучить имеющиеся достижения? Не похоже, что вы этим уже давно занимаетесь.
Хабр до сих пор не поддерживает WebM?
YOLOv3 подустарел для object detection. Последний коммит, которому уже почти полтора года, очень грустный. Посмотрите какой-нибудь SpineNet — он быстрее, при этом ещё и точнее.
Пожалуйста, играйтесь — https://doi.org/10.1021/la8026896
Не очень понятно как в такой конструкции не пробивает изоляцию из вторички в первичку. На входе 10 кВ? Из каких соображений оценивалось 70-80 кВ на выходе?