معماری شبکه YOLO

Question

سلام و عرض ادب
دوستانی که object detection کار کرده اند لطف کنند یک توضیح مفیدی در مورد نسخه های YOLO بدند و اینکه این چه برتری نسبت به نسخه های R-CNN داره

Answer 1

سلام
در شبکه ی YOLO تصاویر به صورت فرضی به N در N ناحیه تقسیم می شوند. به ازای هر کدام از این نواحی فرض می شود که K شی امکان حضور دارند. شبکه به صورتی طراحی شده است که در نهایت به ازای تمامی نواحی امکان وجود اشیا در آن ناحیه ها - دسته ی آن شی و همچنین مختصات کادر دور شی را پیش بینی می کند. با توجه به اینکه کادر دور هر شی ۴ مختصات دارد و همچنین دسته ی مورد نظر شی یک بردار C تایی هست و همین طور یک عدد برای احتمال وجود شی داریم پس به ازای هر شی یک تنزور (4 + 1 + C) تایی مورد نیاز است. با توجه به اینکه فرض شد در هر تصویر N در N ناحیه وجود دارد و هر ناحیه احتمال حضور K شی به صورت بیشینه وجود دارد و هر شی نیز تزوری (4 + 1 + C) نیاز دارد پس در انتهای شبکه تنزوری KNN(C+1+4) وجود دارد که به پیشبینی کادر اشیا و احتمال آنها و دسته آنها می پردازد. در نسخه نخست این شبکه پس از لایه های کانولوشن ویژگی ها خطی شده و به لایه های تمام متصل تحویل داده شده و در نهایت پیشبینی ها انجام می شوند در حالی که در نسخه های بعدی به جای ایجاد تنزوری به این ابعاد حجیم یک کرنل کانولوشن با ابعاد K(C+1+4) به نحوی بر روی ویژگی های آخرین لایه ی کانولوشن کانوالو می شود که ناحیه های ادراکی آن (Receptive Field) بر روی هر یک از N*N ناحیه از تصور ورودی قرار بگیرند و عملیات پیشبینی انجام شود.
تفاوت عمده این شبکه با شبکه ی RCNN این است که این شبکه به صورت سراسری (End-to-End) کار می کند و بحث تشخیص مکان اشیا را بدون نیاز به الگوریتم های بیرونی (Selective Search در RCNN) حل می کند و سرعت بسیار بالایی دارد و تماما با استفاده از شبکه های عصبی پیاده سازی شده و در نتیجه قابلیت موازی سازی بسیار مناسبی بر روی پردازنده هایی مثل GPU ها و FPGAها را داراست.

Comments

رو FPGA ها چگونه پیاده سازی میشوند منظورم اینکه بعد از اینکه پارامترهای بهینه بدست اومد میاییم اونارو پیاده میکنیم ؟
یه سوال دیگه : شبکه Faster رو نمیشه پیاده کرد ؟ مگه اینم END-TO-END نیست ؟

---

عموما شبکه های آموزش دیده شده رو منتقل می کنن
شبکه Faster-RCNN نسخه اولیه End-to-End نبوده موقع آموزش. ارتباطی بین End-to-End بودن با قابلیت پیاده سازی نیستش. بحث قابلیت موازی سازی حداکثری هست که طبق پاسخ بالا توی RCNN دشوار تر هست ولی توی YOLO و Faster-RCNN امکان موازی سازی خوبی وجود داره و به خوبی امکان انتقال به صورت بهینه وجود داره.

---

میشه یک بیشتر در مورد "کرنل کانولوشن با ابعاد K(C+1+4) به نحوی بر روی ویژگی های آخرین لایه ی کانولوشن کانوالو می شود " توضیح بدین

همچنین اگه امکانش هست در مورد تابع خطاشم توضیخ بدین

و سوال اخر این که ایا توی هر cell grid یا همون ناحیه هر bonding box که پیشبینی میشه مرکزش همون مرکز cell grid مورد نظره