Detekce objektů v obrazech s využitím difuzních neuronových sítí

Abstract

Tato diplomová práce se zabývá využitím generativních difuzních modelů v úlohách počítačového vidění se zaměřením na detekci objektů a anomálií. Teoretická část analyzuje limitace tradičních diskriminativních architektur (CNN, DETR) a detailně popisuje principy iterativního odšumování, zejména moderní paradigma Noise-to-Box. V praktické části je navržena a v prostředí PyTorch kompletně naimplementována vlastní architektura detektoru DiffusionDet. Tento model je následně trénován a optimalizován pomocí stochastických augmentací na dvou specifických datasetech: vozidla (Baltrip) a dopravní značky (Roadsigns). Pomocí rozsáhlých ablačních experimentů je zkoumán vliv strukturální kapacity Transformer dekodéru na stabilitu učení, lokalizační přesnost (mAP) a výpočetní propustnost inference (FPS). Práce navíc přesahuje do oblasti neřízené detekce anomálií, kde prakticky demonstruje rekonstrukční schopnosti DDPM modelů na medicínských datech a analyzuje jejich potenciál pro průmyslovou kontrolu kvality. Výsledkem práce je zhodnocení aplikovatelnosti difuzních sítí pro detekci v reálném čase.

This diploma thesis deals with the application of generative diffusion models in computer vision tasks, focusing on object and anomaly detection. The theoretical part analyzes the limitations of traditional discriminative architectures (CNN, DETR) and details the principles of iterative denoising, particularly the modern Noise-to-Box paradigm. In the practical part, a custom DiffusionDet architecture is designed and fully implemented using the PyTorch framework. This model is subsequently trained and optimized using stochastic data augmentations on two specific datasets: vehicles (Baltrip) and traffic signs (Roadsigns). Through extensive ablation experiments, the impact of the Transformer decoder’s structural capacity on learning stability, localization accuracy (mAP), and computational inference throughput (FPS) is investigated. Furthermore, the thesis extends into the domain of unsupervised anomaly detection, practically demonstrating the reconstructive capabilities of DDPM models on medical data and analyzing their potential for industrial quality control. The result of the thesis is an evaluation of the applicability of diffusion networks for real-time detection.