Якорные коробки являются важными параметрами детекторов объектов глубокого обучения, таких как Faster R-CNN и YOLO v2. Форма, шкала и количество анкерных коробок влияют на эффективность и точность детекторов.
Для получения дополнительной информации см. раздел «Якорные рамки для обнаружения объектов».
Загрузите транспортное средство набор данных, который содержит 295 изображений и связанных меток ящиков.
data = load('vehicleTrainingData.mat');
vehicleDataset = data.vehicleTrainingData;
Добавьте полный путь к локальной папке данных о транспортном средстве.
dataDir = fullfile(toolboxdir('vision'),'visiondata'); vehicleDataset.imageFilename = fullfile(dataDir,vehicleDataset.imageFilename);
Отобразите сводные данные набора данных.
summary(vehicleDataset)
Variables: imageFilename: 295×1 cell array of character vectors vehicle: 295×1 cell
Визуализируйте маркированные рамки, чтобы лучше изучить область значений размеров объектов, присутствующих в наборе данных.
Объедините все основные блоки истинности в один массив.
allBoxes = vertcat(vehicleDataset.vehicle{:});
Постройте график площади коробки в зависимости от соотношения сторон коробки.
aspectRatio = allBoxes(:,3) ./ allBoxes(:,4); area = prod(allBoxes(:,3:4),2); figure scatter(area,aspectRatio) xlabel("Box Area") ylabel("Aspect Ratio (width/height)"); title("Box Area vs. Aspect Ratio")
График показывает несколько групп объектов, которые имеют сходные размер и форму. Однако, поскольку группы распределены, выбор якорных коробок вручную затруднен. Лучшим способом оценки анкерных блоков является использование алгоритма кластеризации, который может группировать похожие коробки вместе с помощью значимой метрики.
Оцените якорные коробки из обучающих данных с помощью estimateAnchorBoxes
функция, которая использует метрику расстояния пересечения по соединению (IoU).
Метрика расстояния, основанная на IoU, инвариантна размеру коробок, в отличие от метрики Евклидова расстояния, которая производит большие ошибки, когда размеры коробки увеличиваются [1]. В сложение, использование метрики расстояния IoU приводит к тому, что коробки одинаковых соотношений сторон и размеров кластеризуются вместе, что приводит к оценкам якоря, которые соответствуют данным.
Создайте boxLabelDatastore
использование основных блоков истинности в наборе данных о транспортном средстве. Если шаг предварительной обработки для настройки детектора объектов включает изменение размера изображений, используйте transform
и bboxresize
изменение размера ограничивающих рамок в boxLabelDatastore
перед оценкой анкерных коробок.
trainingData = boxLabelDatastore(vehicleDataset(:,2:end));
Выберите количество анкеров и оцените анкерные коробки с помощью estimateAnchorBoxes
функция.
numAnchors = 5;
[anchorBoxes, meanIoU] = estimateAnchorBoxes (trainingData, numAnchors);
anchorBoxes
anchorBoxes = 5×2
21 27
87 116
67 92
43 61
86 105
Выбор количества якорей является еще одним обучающим гиперпараметром, который требует тщательного отбора с помощью эмпирического анализа. Одним из измерений качества для оценки предполагаемых анкерных блоков является среднее значение IoU для блоков в каждом кластере. The estimateAnchorBoxes
функция использует k-средних значений алгоритм кластеризации с метрикой расстояния IoU, чтобы вычислить перекрытие с помощью уравнения, 1 -
bboxOverlapRatio
(allBoxes,boxInCluster)
.
meanIoU
meanIoU = 0.8411
Среднее значение IoU, больше 0,5, гарантирует, что якорные коробки хорошо перекрываются с коробками в обучающих данных. Увеличение количества якорей может улучшить среднюю меру IoU. Однако использование большего количества анкерных коробок в детекторе объектов может также увеличить вычислительные затраты и привести к сверхподбору кривой, что приводит к плохой эффективности детектора.
Прокрутите область значений значений и постройте график среднего значения IoU от количества анкерных коробок, чтобы измерить компромисс между количеством анкеров и средним IoU.
maxNumAnchors = 15; meanIoU = zeros([maxNumAnchors,1]); anchorBoxes = cell(maxNumAnchors, 1); for k = 1:maxNumAnchors % Estimate anchors and mean IoU. [anchorBoxes{k},meanIoU(k)] = estimateAnchorBoxes(trainingData,k); end figure plot(1:maxNumAnchors,meanIoU,'-o') ylabel("Mean IoU") xlabel("Number of Anchors") title("Number of Anchors vs. Mean IoU")
Использование двух анкерных коробок приводит к среднему значению IoU, превышающему 0,65, а использование более 7 анкерных коробок дает лишь незначительное улучшение среднего значения IoU. Учитывая эти результаты, следующим шагом является обучение и оценка нескольких детекторов объектов с использованием значений от 2 до 6. Этот эмпирический анализ помогает определить количество анкерных коробок, необходимых для удовлетворения требований прикладной эффективности, таких как скорость обнаружения или точность.
Редмон, Джозеф и Али Фархади. «YOLO9000: лучше, быстрее, сильнее». В материалах конференции IEEE по компьютерному зрению и распознаванию шаблонов, стр. 7263-7271. 2017.
[1] Редмон, Джозеф и Али Фархади. «YOLO9000: Лучше, Быстрее, Сильнее». В 2017 году IEEE Conference on Компьютерное Зрение and Pattern Recognition (CVPR), 6517-25. Гонолулу, HI: IEEE, 2017. https://doi.org/10.1109/CVPR.2017.690.