Создайте выходной слой для сети обнаружения объектов YOLO v2
Функция yolov2OutputLayer создает объект YOLOv2OutputLayer, который представляет выходной слой для вас, смотрят только однажды версия 2 (YOLO v2) сеть обнаружения объектов. Выходной слой обеспечивает усовершенствованные местоположения ограничительной рамки целевых объектов.
layer = yolov2OutputLayer(anchorBoxes)layer = yolov2OutputLayer(anchorBoxes,Name,Value)layer = yolov2OutputLayer(anchorBoxes)YOLOv2OutputLayer, layer, который представляет выходной слой для сети обнаружения объектов YOLO v2. Слой выводит усовершенствованные местоположения ограничительной рамки, которые предсказаны с помощью предопределенного набора полей привязки, заданных во входе.
layer = yolov2OutputLayer(anchorBoxes,Name,Value)Name и LossFactors с помощью пар "имя-значение" и входа от предыдущего синтаксиса. Заключите каждое имя свойства в одинарные кавычки. Например, yolov2OutputLayer('Name','yolo_Out') создает выходной слой с именем 'yolo_Out'.
Во время обучения выходной слой сети YOLO v2 предсказывает усовершенствованные местоположения ограничительной рамки путем оптимизации потери среднеквадратической ошибки между предсказанными ограничительными рамками и наземной истиной. Функция потерь задана как
где:
S является количеством ячеек сетки
B является количеством ограничительных рамок в каждой ячейке сетки.
1, если ограничительная рамка jth в ячейке сетки i ответственна за обнаружение объекта. В противном случае это установлено в 0. i ячейки сетки ответственен за обнаружение объекта, если перекрытие между наземной истиной и ограничительной рамкой в той ячейке сетки больше, чем или равно 0,6.
1, если ограничительная рамка jth в ячейке сетки i не содержит объекта. В противном случае это установлено в 0.
1, если объект обнаруживается в ячейке сетки i. В противном случае это установлено в 0.
K1, K2, K3 и K4 являются весами. Чтобы настроить веса, измените свойство LossFactors.
Функция потерь может быть разделена в три части:
Потеря локализации
Первые и вторые сроки в функции потерь включают потерю локализации. Это измеряет ошибку между предсказанной ограничительной рамкой и наземной истиной. Параметры для вычисления потери локализации включают положение, размер предсказанной ограничительной рамки и наземную истину. Параметры заданы можно следующим образом.
, центр ограничительной рамки jth относительно ячейки сетки i.
, центр наземной истины относительно ячейки сетки i.
ширина и высота ограничительной рамки jth в ячейке сетки i, соответственно. Размер предсказанной ограничительной рамки задан относительно входного размера изображения.
ширина и высота наземной истины в ячейке сетки i, соответственно.
K1 является весом за потерю локализации. Увеличьте это значение, чтобы увеличить весомость для ошибок прогноза ограничительной рамки.
Потеря уверенности
Третьи и четвертые сроки в функции потерь включают потерю уверенности. Третий срок измеряет objectness (счет уверенности) ошибка, когда объект обнаруживается в ограничительной рамке jth ячейки сетки i. Четвертый срок измеряет ошибку объектности, когда никакой объект не обнаруживается в ограничительной рамке jth ячейки сетки i. Параметры для вычисления потери уверенности заданы можно следующим образом.
Ci является счетом уверенности ограничительной рамки jth в ячейке сетки i.
Ĉi является счетом уверенности наземной истины в ячейке сетки i.
K2 является весом для ошибки объектности, когда объект обнаруживается в предсказанной ограничительной рамке. Увеличьте это значение, чтобы увеличить весомость для ограничительной рамки и ячейки сетки, которые содержат объект.
K3 является весом для ошибки объектности, когда объект не обнаруживается в предсказанной ограничительной рамке. Уменьшите это значение, чтобы уменьшить весомость для ограничительной рамки и ячейки сетки, которая не содержит объекта. При уменьшении веса для ошибки объектности, предотвращает сеть от обучения обнаружить фон вместо объектов.
Потеря классификации
Пятый срок в функции потерь включает потерю классификации. Например, предположите, что объект обнаруживается в предсказанной ограничительной рамке, содержавшейся в ячейке сетки i. Затем потеря классификации измеряет квадратичную невязку между условными вероятностями класса для каждого класса в ячейке сетки i. Параметры для вычисления потери классификации заданы можно следующим образом.
pi (c) является предполагаемой условной вероятностью класса для класса объекта c в ячейке сетки i.
фактическая условная вероятность класса для класса объекта c в ячейке сетки i.
K4 является весом для ошибки классификации, когда объект обнаруживается в ячейке сетки. Увеличьте это значение, чтобы увеличить весомость за потерю классификации.
[1] Джозеф. R, С. К. Диввэла, Р. Б. Джиршик и Ф. Али. "Вы Только Взгляд Однажды: Объединенное, Обнаружение объектов В реальном времени". В Продолжениях Конференции по IEEE по Компьютерному зрению и Распознаванию образов (CVPR), стр 779–788. Лас-Вегас, NV: CVPR, 2016.
[2] Джозеф. R и Ф. Али. "YOLO 9000: Лучше, Быстрее, Более сильный". В Продолжениях Конференции по IEEE по Компьютерному зрению и Распознаванию образов (CVPR), стр 6517–6525. Гонолулу, HI: CVPR, 2017.
trainYOLOv2ObjectDetector | yolov2Layers | yolov2ObjectDetector | yolov2ReorgLayer