Re: [問題] 全捲積網路(FCN) 在YOLOV2上訓練的問題

[ching0629 (Syameroke)]

我覺得可能很多人並不懂卷積網路的基本概念，舉例來說，原始yolo可以接受的input size應該是32的倍數，而不是13的倍數...

卷積網路在運算過程中經常會有pooling(或是現在比較喜歡用步輻為2的卷積器)做下採樣，原則上yolo所提出的概念是使用任意結構的網路皆可以進行目標檢測，而他厲害的地方是它訂出了一個output結構讓網路可以根據這個output來進行目標檢測

在講yolo2之前我們先講yolo，原始yolo版本的輸出是對最後一層的每個像素(也就是前面一直提到的13*13，但原始yolo的output是7*7)做一次預測，而預測內容包含：

1. 2個最有可能的物件框，參數包含
   (1) 0~1的機率描述是否存在非背景物體
   (2) 物件框的相對x座標(以該範圍的百分比定義)
   (3) 物件框的相對y座標(以該範圍的百分比定義)
   (4) 物件框的相對寬度 (以n倍的原始範圍定義，如一個最終終像素在yolo中對應的是32*32個原始像素，所以這個數字為2代表對應到原來64的範圍)
   (5) 物件框的相對長度

以上共有10個output。

2. 可能的類別數，描述這個框所框到的東西是甚麼，一樣輸出0~1之間的機率(一般後面這些output會經過softmax)

有了這個概念後，假定有一個32*32的輸入圖像，這樣最終特徵圖就是1*1，那yolo就是輸出2個可能的方框供人參考，而假設原始輸入圖像是320*320，那就會輸出200個可能的方框

而yolo2和yolo的差別在，yolo是使用像素作為預測，如果有一個物件他大小接近整張圖，這樣一個32*32的範圍會預測的好也是滿奇怪的，所以精準度不夠，因此yolo2先使用一些clustering的方式先找出訓練集的方框大概都在哪，然後制定出ROI，並進行ROI pooling再做預測。除此之外，作者在訓練yolo2時，為了讓他能適應各種大小的物件，因此每10代會將所有圖片及相對應的label調整為一個任意32的倍數，用這種類似data augmentation訓練網路。


--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 210.60.122.10
※ 文章網址: https://www.ptt.cc/bbs/DataScience/M.1523941600.A.9DA.html
→ ching0629: 再補充一個點好了，物件檢測的loss function是一個同
→ ching0629: 時考慮原始方框與預測方框重疊面積，以及分類正確度的
→ ching0629: 一個損失函數，詳細的自己去找paper看吧，式子有點長
推 KyotoAnime: 推 想問 如一個最終終像素在yolo中對應的是32*32個原
→ KyotoAnime: 始像素 這句
推 KyotoAnime: 事實上他好像沒有真的去切grid? 最終的像素會對應到
→ KyotoAnime: 原始的像素 但並不會剛好是paper畫的整齊的grid吧 也
→ KyotoAnime: 就是對應回去可能會有重疊的部分?
→ KyotoAnime: 還是他的stride 剛好會讓彼此完全不重疊
推 OnePiecePR: 好像是 Anchor 會在原定的grid 裏頭，長出的bounding
→ OnePiecePR:  就不確定了。
推 NMOSFET: 謝謝c大的解說