?
Сравнение эффективности применения различных подходов в задаче детекции объекта на изображении низкого качества
Машинные методы анализа изображений набирают всё большую популярность в самых различных сферах жизни. Однако остается открытым вопрос, насколько эффективна работа таких алгоритмов на данных низкого качества, например, таких, какие могут использоваться в сфере телемедицины. В работе проведен сравнительный анализ различных подходов к детекции объектов на фотографиях МРТ-снимков головного мозга, сделанных с экрана компьютера. Для распознавания контуров головного мозга на изображении были использованы классический морфометрический подход (библиотека OpenCV), алгоритм Виолы-Джонса и два алгоритма глубокого обучения: YOLOv8 и EfficientDet. Сравнение данных методов проводилось с точки зрения качества обнаружения объекта на изображении, оцениваемого при помощи IoU-метрики, а также с точки зрения скорости работы и объема занимаемой памяти. В результате сравнения оказалось, что модель YOLOv8 продемонстрировала наилучший показатель качества обнаружения объектов, однако её работа была нестабильной в случаях некачественных изображений с высоким уровнем шума. Также среди рассмотренных подходов YOLOv8 является самой габаритной с точки зрения используемой памяти. Наилучшим кандидатом для дальнейшего практического применения как с точки зрения среднего показателя качества работы, так и с точки зрения устойчивости к шумам, можно считать сетевую архитектуру YOLOv8.