YOLO: Real-Time Object Detection

[chullhwan-song]

• https://arxiv.org/abs/1506.02640
• good post
  • https://sandipanweb.wordpress.com/category/tensorflow/
  • https://blog.paperspace.com/how-to-implement-a-yolo-object-detector-in-pytorch/?mlreview&fbclid=IwAR3Fuk4P_stUUtPdGrVQEaijrmkfhDjhhhg70zBbTgNwlNyB78OB40gsuLo

[chullhwan-song]

• YOLO

  • 개인적으로 faster rcnn이나 ssd와 비교해볼때, 성능 자체는 낮을 수 있으나, ssd는 yolo 성능에 많은 영향을 받았고, 알고리즘 자체가 심플하면서 간결하다..초기에 이게 되나?란 생각을 하면서 신기하게 여겼던 연구
  • 장점
    • 매우 알고리즘이 심플
    • 매우 빠르다.
    • background에 대한 error가 fast rcnn보다 상대적으로 적다 (false positive가 적다)
  • 단점
    • 빠른대신 감지율이 낮다(ver2에선 이를 해결)
    • 작은 오브젝트에 대해서는 검출이 잘 안된다. - grid 기반

• 알고리즘

  • faster rcnn류와는 다르게 box, class관련에서 따로 보지 않고(rpn), 한개의 문제로 봄.
  • single regression problem
  • 즉, 하나의 network상에서 box에 대한 class를 계산

• 세부 알고리즘
  

• 위의 보시는거 와 같이, 하나의 network에서 모든걸 판단

  • 마지막 layer만 다르고 일반 cnn과 같음. -> 신기함.
  • last layer에서,
    • 7x7 cell
    • B Bounding Box (B=2) : x, y, w, h (x B)
      • x, y 의 기준은 각 Cell 하나의 크기가 1이고, 그 각 하나의 Cell 기준으로 convert된 단위 = 0~1
      • w, h 는 이미지 사이즈로 normalized 된 scale = 0~1
    • Bounding Box에 대한 confidence : p(x B)
      • Pr(Object)*IOU
        • grid cell의 B개의 bounding box(bbox)가 존재
        • bbox안에 object가 존재하지 않는 다면, 0
        • IOU : predict box와 ground truth box 사이의 겹침여부 계산
    • predefined class prob(C=20) : c1, c2,,,,c20
      • 각 Cell에서는 클래스(C)의 confidence를 갖는다. 한 Cell마다 C=20개 갖음.
      • Pr(class|Objects)
    • test time에서, 위의 두개의 multiply
      • class-specific-confidence score = Pr(class|Objects) x Pr(Object)*IOU
      • 아래의 infer1~4의 그림은 이를 설명하고 있다.
        infer-1
        
        infer-2
        
        infer-3
        
        infer-4
        
        infer-5 :
        

• 다시 위 내용을 정리해주는 그림
  

• paper 2.3장 Inference = infer-5

  • 최종적으로 98(7x7x2)box를 얻음. -> nmx(Non-Maxima Suppression)
    • nmx : 실제 영역에서, 다양한 형태의 감지된 roi가 발생하는데 이를 하나로 묶어주는 알고리즘

• training

  • 448x448 input
  • last layer에서 class prob & bbox 예측
  • box 정보 scale은 위에서 설명
  • leaky rectified linear activation
  • 학습은 최종 loss function이 그 학습에서 핵심, 이외는 일반 cnn과 다를바 없음.

• Parameter 설명

  • : 오브젝트가 포함되어 있을경우의 confidence = 5
  • : 오브젝트가 포함되어 있지 않을경우의 confidence = 0.5
  • : 오브젝트가 그 셀에 존재 = 0 or 1
  • : 오브젝트가 그 셀에 존재하지 않을때 = 0 or 1
    * training
  • dropout = 0.5
  • data argumentation
    • random scaling & translation of up to 20% original size

• result

  • 속도
    

• 정확도
  

• 이후 2016년 말쯤~ Yolo2

  • Batch Normalization, High Resolution Classifier(input size의 크기 224x224->448x448), Convolutional With Anchor Boxes( faster rcnn 차용) 등등사용하여, SSD나 faster rcnn 성능에 비등. 속도는 좀 느려짐(하지만, 기존 localization 알고리즘보다는 빠름)

• 이후 2018년 Yolo3 발표

Ref

• 이 두 Ref[1][2]을 너무 많이 참조 되었음.:)
  • [1] https://www.youtube.com/watch?v=L0tzmv--CGY&feature=youtu.be
  • [2] https://curt-park.github.io/2017-03-26/yolo/