←上一篇 | ↓↑ | 下一篇→ |
---|---|---|
3.8 Anchor Boxes | 回到目录 | 3.10 候选区域 |
YOLO 算法 (Putting it together: YOLO algorithm)
你们已经学到对象检测算法的大部分组件了,在这个视频里,我们会把所有组件组装在一起构成YOLO对象检测算法。
我们先看看如何构造你的训练集,假设你要训练一个算法去检测三种对象,行人、汽车和摩托车,你还需要显式指定完整的背景类别。这里有3个类别标签,如果你要用两个anchor box,那么输出
y
y
y 就是3×3×2×8,其中3×3表示3×3个网格,2是anchor box的数量,8是向量维度,8实际上先是5(
p
c
,
b
x
,
b
y
,
b
h
,
b
w
p_c,b_x,b_y,b_h,b_w
pc,bx,by,bh,bw )再加上类别的数量(
c
1
,
c
2
,
c
3
c_1,c_2,c_3
c1,c2,c3 )。你可以将它看成是3×3×2×8,或者3×3×16。要构造训练集,你需要遍历9个格子,然后构成对应的目标向量
y
y
y。
所以先看看第一个格子(编号1),里面没什么有价值的东西,行人、车子和摩托车,三个类别都没有出现在左上格子中,所以对应那个格子目标
y
y
y 就是这样的,
y
=
[
0
?
?
?
?
?
?
?
0
?
?
?
?
?
?
?
]
T
y=\left[ 0~?~?~?~?~?~?~?~0~?~?~?~?~?~?~? \right]^T
y=[0 ? ? ? ? ? ? ? 0 ? ? ? ? ? ? ?]T,第一个anchor box的
p
c
p_c
pc 是0,因为没什么和第一个anchor box有关的,第二个anchor box的
p
c
p_c
pc 也是0,剩下这些值是don’t care-s。
现在网格中大多数格子都是空的,但那里的格子(编号2)会有这个目标向量
y
y
y ,
y
=
[
0
?
?
?
?
?
?
?
1
b
x
b
y
b
h
b
w
0
1
0
]
T
y=\left[ 0~?~?~?~?~?~?~?~1~b_x~b_y~b_h~b_w~0~1~0 \right]^T
y=[0 ? ? ? ? ? ? ? 1 bx by bh bw 0 1 0]T,所以假设你的训练集中,对于车子有这样一个边界框(编号3),水平方向更长一点。所以如果这是你的anchor box,这是anchor box 1(编号4),这是anchor box 2(编号5),然后红框和anchor box 2的交并比更高,那么车子就和向量的下半部分相关。要注意,这里和anchor box 1有关的
p
c
p_c
pc 是0,剩下这些分量都是don’t care-s,然后你的第二个
p
c
=
1
p_c=1
pc=1 ,然后你要用这些(
b
x
,
b
y
,
b
h
,
b
w
b_x,b_y,b_h,b_w
bx,by,bh,bw )来指定红边界框的位置,然后指定它的正确类别是2(
c
1
=
0
,
c
2
=
1
,
c
3
=
0
c_1=0,c_2=1,c_3=0
c1=0,c2=1,c3=0 ),对吧,这是一辆汽车。
所以你这样遍历9个格子,遍历3×3网格的所有位置,你会得到这样一个向量,得到一个16维向量,所以最终输出尺寸就是3×3×16。和之前一样,简单起见,我在这里用的是3×3网格,实践中用的可能是19×19×16,或者需要用到更多的anchor box,可能是19×19×5×8,即19×19×40,用了5个anchor box。这就是训练集,然后你训练一个卷积网络,输入是图片,可能是100×100×3,然后你的卷积网络最后输出尺寸是,在我们例子中是3×3×16或者3×3×2×8。
接下来我们看看你的算法是怎样做出预测的,输入图像,你的神经网络的输出尺寸是这个3×3×2×8,对于9个格子,每个都有对应的向量。对于左上的格子(编号1),那里没有任何对象,那么我们希望你的神经网络在那里(第一个
p
c
p_c
pc )输出的是0,这里(第二个
p
c
p_c
pc )是0,然后我们输出一些值,你的神经网络不能输出问号,不能输出don’t care-s,剩下的我输入一些数字,但这些数字基本上会被忽略,因为神经网络告诉你,那里没有任何东西,所以输出是不是对应一个类别的边界框无关紧要,所以基本上是一组数字,多多少少都是噪音(输出
y
y
y 如编号3所示)。
和这里的边界框不大一样,希望
y
y
y 的值,那个左下格子(编号2)的输出
y
y
y (编号4所示),形式是,对于边界框1来说(
p
c
p_c
pc )是0,然后就是一组数字,就是噪音(anchor box 1对应行人,此格子中无行人,
p
c
=
0
,
b
x
=
?
,
b
y
=
?
,
b
h
=
?
,
b
w
=
?
,
c
1
=
?
,
c
2
=
?
,
c
3
=
?
p_c=0,b_x=?,b_y=?,b_h=?,b_w=?,c_1=?,c_2=?,c_3=?
pc=0,bx=?,by=?,bh=?,bw=?,c1=?,c2=?,c3=? )。希望你的算法能输出一些数字,可以对车子指定一个相当准确的边界框(anchor box 2对应汽车,此格子中有车,
p
c
=
1
,
b
x
,
b
y
,
b
h
,
b
w
,
c
1
=
0
,
c
2
=
1
,
c
3
=
0
p_c=1,b_x,b_y,b_h,b_w,c_1=0,c_2=1,c_3=0
pc=1,bx,by,bh,bw,c1=0,c2=1,c3=0),这就是神经网络做出预测的过程。
最后你要运行一下这个非极大值抑制,为了让内容更有趣一些,我们看看一张新的测试图像,这就是运行非极大值抑制的过程。如果你使用两个anchor box,那么对于9个格子中任何一个都会有两个预测的边界框,其中一个的概率
p
c
p_c
pc 很低。但9个格子中,每个都有两个预测的边界框,比如说我们得到的边界框是是这样的,注意有一些边界框可以超出所在格子的高度和宽度(编号1所示)。接下来你抛弃概率很低的预测,去掉这些连神经网络都说,这里很可能什么都没有,所以你需要抛弃这些(编号2所示)。
最后,如果你有三个对象检测类别,你希望检测行人,汽车和摩托车,那么你要做的是,对于每个类别单独运行非极大值抑制,处理预测结果所属类别的边界框,用非极大值抑制来处理行人类别,用非极大值抑制处理车子类别,然后对摩托车类别进行非极大值抑制,运行三次来得到最终的预测结果。所以算法的输出最好能够检测出图像里所有的车子,还有所有的行人(编号3所示)。
这就是YOLO对象检测算法,这实际上是最有效的对象检测算法之一,包含了整个计算机视觉对象检测领域文献中很多最精妙的思路。你可以在本周的编程作业中尝试现实这个算法,所以我希望你喜欢本周的编程练习,这里还有一个可选的视频,你们可以看,也可以不看,总之,我们下周见。