Object detection with neural networks in limited time conditions

Abstract

В работе представлена архитектура системы быстрого и качественного детектирования и классификации объектов на изображениях, обучавшаяся в условиях нехватки тренировочных данных. С использованием модифицированных моделей MultiBox и Fast R-CNN итоговая скорость работы системы в несколько раз превысила имеющиеся на тот момент аналоги, а использование обученных классификационных сетей для инициализации моделей, модифицированная функция ошибки в MultiBox и дополнительные методы искажения изображений позволили успешно обучаться на небольшом количестве данных и повысить общую точность работы системы. Нам удалось добиться средней точности (Precision) в 81% и полноты (Recall) в 85.5%. На обработку одного изображения при этом затрачивается порядка 310 миллисекунд. Помимо этого разработано ПО для применения системы детектирования в мобильных приложениях.

In the paper we present an architecture of a fast and precise object detection and classification system trained on a small image database. Using a slightly modified MultiBox and Fast Region-Based Convolutional Neural Networks (Fast R-CNN) models, we achieved several times faster image processing in comparison with analogous contemporary systems. Pre-trained classification network, used for model initialization, modified loss function in MultiBox method and additional data augmentation methods allowed us to successfully train our model on small image datasets and increased overall system precision. As a result, we achieved Precision of 81% and Recall of 85,5%. With these settings processing of one image takes 310 milliseconds. A software for using detection system in mobile applications was also developed.