YOLO (You Only Look Once):ディープラーニングによる一般物体検出手法

R-CNNFast R-CNNFaster R-CNNときて、次はYOLO (You Only Look Once)のアルゴリズムのお勉強。


ディープラーニングによる一般物体検出アルゴリズムまとめ
これまで勉強したディープラーニングによる一般物体検出手法のアルゴリズム一覧。


またこちらの系譜図を引用↓

物体検出では認識精度も重要だが、自動運転などの用途ではリアルタイムに近い処理速度が求められる。R-CNNの登場以降、処理速度を重視したYOLO(You Only Look Once)という手法が登場した。

YOLOEnd-to-Endアプローチの手法の中でも色んな意味で異質な存在。キャラが立っているというか。


スポンサーリンク

YOLO (You Only Look Once)

YOLO (You Only Look Once)CVPR 2016で発表されたYou Only Look Once: Unified, Real-Time Object Detectionで提案された手法。

YOLO Watches Nature Part 2

ディープラーニング以前の物体検出手法でよく使われていたDeformable Part Modelも含め、YOLO以前の物体検出手法は領域(region)ベースのアプローチだったが、
YOLOの最大の特長は、スライディングwindowやregion proposalといった領域スキャンのアプローチを使わずに、畳み込みニューラルネットワークで画像全体から直接物体らしさと位置を算出する点。

YOLOでは、まず入力画像を正方形(論文の例では448×448)にリサイズし、それを畳み込みニューラルネットワークの入力とする。

YOLO

grid cell

YOLOは候補領域検出を行わない代わりに、正方形の画像全体をS × Sgrid cell(グリッド領域)に分割する。

Bounding Boxの推定

分割した各grid cellに対して、B個のBounding Boxを推定する。

1つのBounding Boxにつき、Bounding Boxの座標値(x, y, w, h)と、そのBounding Boxが物体である信頼度(confidence)スコアの計5つの値が出力される。
座標値のx, yはgrid cellの境界を基準にしたBounding Boxの中心座標、幅wと高さhは画像全体のサイズに対する相対値。信頼度スコアはそのBounding Boxが物体か背景かの確率を表す。(物体なら1, 背景なら0)

物体領域の推定精度を測る指標として、正解Bounding Boxと推定Bounding Boxの一致具合を表すIoU (Intersection over Union)がある。

YOLOではBounding Boxの信頼度スコアIoUを表している。

物体の種類の推定

grid cell単位で物体の種類も推定する。
C種類の分類クラスで、grid cellが物体である場合にどのクラスに属するかの確率、つまり条件つき確率を推定する。

Bounding Boxとclass probability mapの結合

ここで推定したクラス確率を先ほどのBounding Boxと合わせると、何の物体であるかを示す複数のBounding Boxが得られる。


スポンサーリンク

重複領域も含んだこれらのBounding Boxは、信頼度スコアの高いBounding Boxを基準にNMS(Non-Maximum Suppression)という手法で選別する。NMSは、IoU値が大きい(重なり度合いの高い)領域をしきい値で抑制(suppression)する。

これで物体検出結果が得られる。

YOLOの出力数

YOLOの出力は、1つのgrid cellにつきB × 5 + C個の出力となり、全体の出力はS × S × (B × 5 + C)個と表せる。

論文の例では、
S = 7
B = 2
C = 20: Pascal VOCデータセットの20種類のラベルを使用
として出力数は合計で
7 × 7 × (2 × 5 + 20) = 7 × 7 × 30 = 1470
となっている。

YOLOのネットワーク

YOLOのネットワーク構造は既存のCNNモデルを流用することなく、YOLO独自のネットワークが設計されている↓

YOLO network

24層の畳み込み層(Conv. Layer)および4層のpooling層を経て画像から特徴を抽出し、2層の全結合層(Conn. Layer)で物体のBounding Box、物体の種類の確率を推定する。
畳み込み層の最終出力サイズ7×7はgrid cellの分割数と一致している。

YOLOによる物体検出の処理時間は画像1枚あたり約22msで、Faster R-CNNの6~7倍ほどの高速化を実現している。

CVPR 2016でのYOLO発表動画

CVPR 2016でのYOLO発表の様子がYouTubeで公開されている。リアルタイム動作デモのために沢山おもちゃを並べている様子に笑ってしまった↓

You Only Look Once: Unified, Real-Time Object Detection

YOLOは作者のJoseph Redmon氏の独特なキャラクターも有名ですね。
個人サイトデザインや、Darknetという中二病っぽい名前のライブラリなど。(C言語用のディープラーニングライブラリ)
https://github.com/pjreddie/darknet

Joseph Redmon氏はTEDでもプレゼンしている↓

YOLOの改良版

YOLOはその後もYOLO v2, YOLO v3と改良が続いており、認識精度が向上している。

YOLOv3

2020年追記:Joe Redmon氏はCV研究からの引退を宣言しました↓



次はSSD(Single Shot Multibox Detector)についてまとめよう↓


ディープラーニングによる一般物体検出アルゴリズムまとめ
これまで勉強したディープラーニングによる一般物体検出手法のアルゴリズム一覧。


スポンサーリンク

関連記事

Google Colaboratoryで遊ぶ準備
動画で学ぶお絵かき講座『sensei』
ベイズ推定とグラフィカルモデル
GAN (Generative Adversarial Networks):敵対的生成ネットワーク
OpenCVのバージョン3が正式リリースされたぞ
OpenCV 3.1から追加されたSfMモジュール
OpenCVで顔のランドマークを検出する『Facemark API』
画像中の人物表面のUV座標を推定する『DensePose』
OpenCV 3.3.0 contribのsfmモジュールのサンプルを動かしてみる
MeshroomでPhotogrammetry
全脳アーキテクチャ勉強会
OpenGVの用語
手を動かしながら学ぶデータマイニング
hloc:SuperGlueで精度を向上させたSfM実装
Faster R-CNN:ディープラーニングによる一般物体検出手法
Two Minute Papers:先端研究を短時間で紹介するYouTubeチャンネル
画像認識による位置情報取得 - Semi-Direct Monocular Visual Odome...
池袋パルコで3Dのバーチャルフィッティング『ウェアラブル クロージング バイ アーバンリサーチ』
CGAN (Conditional GAN):条件付き敵対的生成ネットワーク
WordPressで数式を扱う
書籍『OpenCV 3 プログラミングブック』を購入
Paul Debevec
OpenCV3.3.0でsfmモジュールのビルドに成功!
OpenCVで平均顔を作るチュートリアル
SegNet:ディープラーニングによるSemantic Segmentation手法
オープンソースのStructure from Motionライブラリ『Theia』
PGGAN:段階的に解像度を上げて学習を進めるGAN
畳み込みニューラルネットワーク (CNN:Convolutional Neural Network)
オープンソースのロボットアプリケーションフレームワーク『ROS (Robot Operating S...
ポイントクラウドコンソーシアム
Mitsuba 2:オープンソースの物理ベースレンダラ
represent
OpenCV 3.3.0-RCでsfmモジュールをビルド
人間の顔をそっくりそのままCGで復元する『Digital Emily Project』
Adobeの手振れ補正機能『ワープスタビライザー』の秘密
CNN Explainer:畳み込みニューラルネットワーク可視化ツール
AR (Augmented Reality)とDR (Diminished Reality)
OpenCV 3.1のsfmモジュールを試す
OpenCV 3.1のsfmモジュールのビルド再び
SSD (Single Shot Multibox Detector):ディープラーニングによる一般...
Point Cloud Libraryに動画フォーマットが追加されるらしい
Open3D:3Dデータ処理ライブラリ

コメント

  1. […] ※3: K210 development boards ※4: 【物体検出手法の歴史 : YOLOの紹介】 ※5: YOLO (You Only Look Once):ディープラーニングによる一般物体検出手法 ※6: Kendryte K210 […]