Документация

Что такое поле привязки?

Anchor boxes является набором предопределенных ограничительных рамок определенной высоты и ширины. Эти поля заданы, чтобы получить шкалу и соотношение сторон классов конкретного объекта, которые вы хотите обнаружить и обычно выбираетесь на основе размеров объекта в ваших обучающих наборах данных. Во время обнаружения предопределенные поля привязки размещаются рядом через изображение. Сеть предсказывает вероятность и другие атрибуты, такие как фон, пересечение по объединению (IoU) и смещения для каждого мозаичного поля привязки. Предсказания используются, чтобы совершенствовать каждое отдельное поле привязки. Можно задать несколько полей привязки, каждого для различного размера объекта. Поля привязки фиксируются начальные граничные предположения поля.

Сеть непосредственно не предсказывает ограничительные рамки, а скорее предсказывает вероятности и улучшения, которые соответствуют мозаичным полям привязки. Сеть возвращает уникальный набор предсказаний для каждого заданного поля привязки. Итоговая карта функции представляет обнаружения объектов для каждого класса. Использование полей привязки позволяет сети обнаружить несколько объектов, объектов различных шкал и перекрывающихся объектов.

Преимущество Использования полей привязки

При использовании полей привязки можно оценить все объектные предсказания целиком. Поля привязки избавляют от необходимости сканировать изображение с раздвижным окном, которое вычисляет отдельное предсказание в каждом потенциальном положении. Примеры детекторов, которые используют раздвижное окно, являются теми, которые основаны на совокупных функциях канала (ACF) или функциях гистограммы градиентов (HOG). Детектор объектов, который использует поля привязки, может обработать целое изображение целиком, делая системы обнаружения объектов в реальном времени возможными.

Поскольку сверточная нейронная сеть (CNN) может обработать входное изображение сверточным способом, пространственное местоположение во входе может быть связано с пространственным местоположением в выходе. Это сверточное соответствие означает, что CNN может извлечь функции изображений целого изображения целиком. Извлеченные функции могут затем быть сопоставлены назад к их местоположению в том изображении. Использование замен полей привязки и решительно уменьшает стоимость подхода раздвижного окна для извлечения функций от изображения. Используя поля привязки, можно спроектировать эффективные детекторы объектов глубокого обучения, чтобы охватить все три этапа (обнаружьте, функция кодируют и классифицируют) раздвижного окна на основе детектора объектов.

Как действительно привязывают работу полей?

Положение поля привязки определяется путем отображения местоположения сетевого выхода назад к входному изображению. Процесс реплицирован для каждого сетевого выхода. Результат производит набор мозаичных полей привязки через целое изображение. Каждое поле привязки представляет определенное предсказание класса. Ниже там двух полей привязки, чтобы сделать два предсказания на местоположение.

Каждое поле привязки размещается рядом через изображение. Количество сетевых выходных параметров равняется количеству мозаичных полей привязки. Сеть производит предсказания для всех выходных параметров.

Размер поля привязки

Многошкальная обработка позволяет сети обнаружить объекты различного размера. Чтобы достигнуть многошкального обнаружения, необходимо задать поля привязки различного размера, такой как 64 64, 128 128, и 256 256. Задайте размеры, которые тесно представляют шкалу и соотношение сторон объектов в ваших обучающих данных. Для примера оценки размеров смотрите Оценочные Поля Привязки От Обучающих данных.