Verbeteren van industriële objectdetectiealgoritmes gebruikmakend van toepassingspecifieke beperkingen

State-of-the art objectdetectiealgoritmes hebben als doel zo robuust mogelijk te zijn. Hierbij focussen ze hoofdzakelijk op variaties van het object en de omgeving zoals de omgevingsbelichting, mogelijke occlusies van andere objecten, verandering van schaal of oriëntatie van de te detecteren objecten, invloed van achtergrondruis en intra-klasse variabiliteit van de te detecteren objecten. Wanneer we echter focussen op industriële machine visie applicaties, waarbij objecten met variërend voorkomen gedetecteerd moeten worden, merken we dat veel van de omgevings- en objectvariaties in feite gecontroleerd zijn. Hierdoor kunnen ze gebruikt worden als beperkingen voor de detection algoritmes, zodoende de gigantische zoekruimte van kandidaat objecten te reduceren. Dit zal ervoor zorgen dat we het detectie proces versnellen en de accuraatheid kunnen verhogen.

We onderzoeken in dit doctoraat hoe deze beperkingen op omgeving en object, opgelegd door de specifieke aard van de applicatie, gebruikt kunnen worden om objectdetectie algoritmes te optimaliseren op drie vlakken:

1. Reduceren van de nodige hoeveelheid trainingsdata. We proberen de hoeveelheid manueel geannoteerde trainingsdata zoveel mogelijk te beperken.

2. Verhogen van de rekensnelheid van de detector. Aangezien we werken binnen industriële applicaties, blijft het behouden van een real-time verwerkingssnelheid cruciaal.

3. Reduceren van de hoeveelheid vals positieve en vals negative detecties. We trachten object detectie algoritmes uit te bouwen die het mogelijk maken om alle objecten in een beeld of videostream te detecteren, en dit met een heel hoge zekerheid.

Daarnaast willen we stappen voorstellen om het trainingsproces voor de klasse specifieke objectmodellen te vereenvoudigen, gebruikmakend van deze omgevingsbeperkingen. Hiervoor onderzoeken we technieken zoals active learning en data augmentatie, ten einde de gigantische hoeveelheid manuaele input die deze technieken vereisen drastisch te reduceren.