#dan32. Anchor boxes #100daychallenge

Rekla sam u prvoj priči o Yolo, #dan28, da je odgovorna ona ćelija u kojoj se nalazi centar objekta i onda algortiam dodeljuje klasu tom objektu. Šta se dešava kada se centar dva objekta nalazi u istom bounding box-u, odnono okviru, ćeliji? Koji objekat će algoritam prepoznati?

Na scenu stupa ideja o Anchor box-evima.

Ovi okviri služe za detekciju dva objekta koji se preklapaju kao i za rešavanje slučajeva kada se u jednoj ćeliji nalazi centar više objekata, kao što je prikazan primer na slici. Definiše se broj anchor boxes a dimenzije se računaju korišćenjem algoritma k-srednjih vrednosti na trening setu.

Primer koincidencije centra dva objekta i definisana dva anchor box-a

Ukoliko se definišu dva okvira, izlaz je sledeći:

za detalje j-ne pogledajte #dan28

Dakle Anchor box-evi su okviri tačno definisanih dimenzija pomoću kojih detekujemo objekte na slici a posebno su korisni kod situacije gore opisane. Dimenzije Anchor-a možete vi da istrenirate za vaš trening set ili postoje već predefinisane dimenzije koje su istrenirane na nekim poznatim setovima kao što je COCO set.

Photo by Kris Mikael Krister on Unsplash

Treća i poslednja trenutno algortima Yolo v3 koristi tačno 9 Anchor boxes. Primer dimenzija Anchor boxes koje su istrenirane na COCO data setu (Lin i dr. 2014):

anchors = 10,13; 16,30; 33,23; 30,61; 62,45; 59,119; 116,90; 156,198; 373,326.

I ovi Anchori super rade kod mnogih istraživačkih pitanja. Ja sam odlične rezultate dobila za detektovanje maline i sa ovim okvirima.

Pomoću k-means algoritma ćete dobiti vaše boxeve tako što će algoritam izračunati srednju vrednost dimenzija svih okvira kojima ste vi labelirali vaše objekte u trening setu.

Anchori koje sam ja dobila za maline su bili npr: anchors = 24,26, 29,46, 31,80, 38,60, 42,45, 45,66, 46,81, 64,75, 66,42. Sa mojim Anchor-ima sam poboljšala performanse za par procenata.

Do sutra…