ＹＯＬＯ（2/4）実施例の説明
はぐれ弁理士 PA Tora-O です。前回（第１回）では、ＹＯＬＯの概要について説明しました。改めて復習されたい方は、こちらのリンクから確認をお願いします。今回（第２回）は、ＹＯＬＯの実施例について説明します。
ネットワーク構成
ＹＯＬＯは、畳み込みニューラルネットワーク（ＣＮＮ）の一種であり、GoogLeNet（Inception-v1）をベースにしたモデルのようです。図１から理解されるように、（１）関心領域の提案機能、（２）物体の検出機能が一体化されており、ネットワーク構成ではその機能が区別できません。
出展：“You Only Look Once: Unified, Real-Time Object Detection”
ＹＯＬＯによれば、物体の検出対象である画像が入力されると、処理結果として、データサイズがＳ×Ｓ×（５Ｂ＋Ｃ）であるテンソルデータが出力されます。ここで、「Ｓ」はグリッド分割数、「Ｂ」は境界ボックス数、「Ｃ」はクラス分類数に相当します。本論文の例では、PASCAL VOC の画像データセットを用いているため、Ｓ＝７、Ｂ＝２、Ｃ＝２０に設定されています。
テンソルデータの定義
続いて、テンソルデータの定義について詳しく説明します。このテンソルデータは、境界ボックスの位置及び物体の種類に関するスコアを、画像の部分領域（グリッド）毎に計算するためのパラメータに相当します。
出展：“You Only Look Once: Unified, Real-Time Object Detection”
［１］グリッドの設定
ＣＮＮの処理過程を通じて、画像の全体領域がＳ×Ｓ個のグリッドに分割されます。この分割は、画像の描画内容（コンテンツ）にかかわらず固定的に行われるので、１つの物体が複数のグリッドに分割される場合が多くなります。この不都合は、以下のようにテンソルデータを上手く定義することで解消されます。
［２］境界ボックスの位置情報
境界ボックスの位置は、グリッド毎の位置情報として定義されます。この位置情報は、グリッド毎の相対座標系によって、４つの成分（ｘ，ｙ，√ｈ，√ｗ）を有するベクトル形式で表現されます。
［３］境界ボックスの信頼度
境界ボックスの信頼度（Confidence）は、正解（Ground True）との一致度を示すＩｏＵと、物体の存在確率 Ｐ(Ｏbj) の積によって計算されます。なお、ＩｏＵ（Intersection over Union）の定義は、図３に示す通りです。
上記した位置情報及び自信度の組（合計５つの成分）は、境界ボックス毎に用意されます。上記した「Ｂ＝２」の意味は、グリッドサイズが十分に小さいので、１つのグリッドの中に複数の異なる境界ボックス（の一部分）が存在し得るが、高々２個であろう、という仮定に基づきます。
［４］分類結果の確からしさ
物体の分類結果の確からしさは、グリッド毎の条件付き確率 Ｐ(Ｃi｜Ｏbj) を用いて表現されます。
［５］物体の検出方法
続いて、上記した信頼度と条件付き確率を積算することで、グリッド毎・種類毎のスコアを導出します。
スコア ＝ Ｐ(Ｏbj)・Ｐ(Ｃi｜Ｏbj)・ＩｏＵ
予め定められた判定閾値を上回るスコアがある場合、該当する「境界ボックスの位置」及び「物体の種類」の組を抽出することで、グリッド毎に物体（全部または一部）が検出されます。そして、隣り合うグリッド同士の検出結果を統合することで、複数のグリッドを跨ぐ物体を検出することができます。
以上、今回（第２回）は、ＹＯＬＯの実施例について説明しました。次回（第３回）は、One-stage Detector の先行技術である “OverFeat” の紹介と、技術的な相違点について説明します。
↓ブログランキングに参加しています。よろしければ１クリックお願いします。
