Создайте выходной слой для сети обнаружения объектов YOLO v2
yolov2OutputLayer функция создает YOLOv2OutputLayer объект, который представляет выходной слой для вас, смотрит только однажды версия 2 (YOLO v2) сеть обнаружения объектов. Выходной слой обеспечивает усовершенствованные местоположения ограничительной рамки целевых объектов.
layer = yolov2OutputLayer(anchorBoxes)YOLOv2OutputLayer объект, 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 свойства 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 основной 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 основной истиной и ограничительной рамкой в той ячейке сетки больше 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 LossFactors свойство.
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 основной истиной. Параметры для вычисления потери локализации включают положение, размер предсказанной ограничительной рамки и основную истину. Параметры определяются следующим образом.
, центр ограничительной рамки jth относительно ячейки сетки i.
, центр основной 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 основной 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 определяются следующим образом.
Ci является счетом уверенности ограничительной рамки jth в ячейке сетки i.
Ĉi является счетом уверенности основной истины в ячейке сетки i.
K2 является весом для ошибки объектности, когда объект обнаруживается в предсказанной ограничительной рамке. Можно настроить значение K2, чтобы взвесить баллы уверенности от ячеек сетки, которые содержат объекты.
K3 является весом для ошибки объектности, когда объект не обнаруживается в предсказанной ограничительной рамке. Можно настроить значение K3, чтобы взвесить баллы уверенности от ячеек сетки, которые не содержат объекты.
Потеря уверенности может вызвать обучение отличаться, когда количество ячеек сетки, которые не содержат объекты, является больше, чем количество ячеек сетки, которые содержат объекты. Чтобы исправить это, увеличьте значение для K2 и уменьшите значение для K3.
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 определяются 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.
Чтобы улучшить точность прогноза, вы можете:
Обучите сеть с большим количеством количества изображений. Можно расширить обучающий набор данных посредством увеличения данных. Для получения информации о том, как применить увеличение данных для обучающего набора данных, смотрите, Предварительно обрабатывают Изображения для Глубокого обучения (Deep Learning Toolbox).
Выполните многошкальное обучение при помощи trainYOLOv2ObjectDetector функция. Для этого задайте 'TrainingImageSize'аргумент trainYOLOv2ObjectDetector функция для того, чтобы обучить сеть.
Выберите поля привязки, соответствующие набору данных для того, чтобы обучить сеть. Можно использовать estimateAnchorBoxes функция, чтобы вычислить поля привязки непосредственно из обучающих данных.
[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
