More Related Content
Similar to Sprint16_ObjectDetection
Similar to Sprint16_ObjectDetection (20)
Sprint16_ObjectDetection
- 6. mAP (mean Average Precision) と FPS (Frame Per Second)
mAPは物体検知モデルに使われる評価指標
これは、ある画像(物体)の情報が与えられた時点までの適合率(Precision)の平均であるAP(Average Precision)の平均
FPS (Frame Per Second)とは一秒あたりに処理させるフレーム数
- 13. End-to-end時代の先駆けとなったFaster R-CNNでは、
Region proposal Networkを通った後に識別(Classification)
を行っています。「検出」の処理の後に「識別」の処理を
行うような直列な処理構成になっており,このことが処理
速度の遅延を招いていると考え、YOLOでは「検出」と
「識別」を同時に行うことで,この処理時間の遅延を解消
しようとしました.
1.入力画像をS×Sのグリッドセルと呼ばれる領域に分割
2.①それぞれのグリッドセルについてBB個のバウンディ
ングボックス(boundhing box)と信頼度スコア(confidence
score)を推測
②それと同時にそれぞれのグリッドセルはC個の物体クラ
スそれぞれの条件付きクラス確率であるPrで表す
3.その後,「条件付きクラス確率」と「個々のボックスの信頼
度スコア」をそれぞれ掛け合わせて,それぞれのバウンディング
ボックスの「クラス固有の信頼度スコア(class-specific
confidence scores)」を得る。このスコアはボックスに表示される
そのクラスの確率と予測されたボックスがある物体にどのくらいフィット
しているかをエンコードします.つまりこの信頼度スコアに基づいてどの
バウンディングボックスがお目当の物体を検出しているかを判断する
- 17. どんなもの?
先行研究と比べて何がすごい?
技術の手法や肝は?
議論はある?
どうやって有効だと検証した?
次に読むべき論文は?
YOLO v3
速度を出しつつ、より精度を上げる
YOLOv2はVOC 2007で76.8 mAPを取得します。40FPSで、YOLOv2は78.6 mAPを取
得し、ResNetおよびSSDを使用したFaster RCNNなどの最先端の方法を大幅に高速で実
行
バッチを正規化→mAPの2%増加
224×224イメージでトレーニングされた後、448×448イメージを使用して、ImageNetで10
エポックの分類ネットワークを微調整→mAPの4%増加
アンカーボックスによる畳み込み:69.2%のmAPと88%のリコールが得られます。mAP
は少し低下しますが、リコールは大幅に増加(ない場合はmAPは69.5%、リコールは
81%)
YOLOの武器である速度を保ちつつ、制度を向上させた
・YOLOv1を改良し、9000種類の物体検出が可能になっている。
・67FPSにおいて、76.8 mAP(mean Average Precision)を達成。また40 FPSで、YOLOv2
は78.6%mAPを取得
YOLO9000: Better, Faster, Stronger
Joseph Redmon∗†, Ali Farhadi∗† University of Washington∗ , Allen Institute for
AI† http://pjreddie.com/yolo9000/ 25 Dec 2016
日付