[Course4 - Week3] CODE LAB _YOLO

 

 

"해당 포스팅은 Coursera 에서 수강한 Andew Ng 의 deep learning specialization 코스를 요약한 것입니다." 

 

---

이번 주 수업의 coding lab 에서도 배울 게 많았기 때문에 여기에 짧게 정리. 

그 전에 알아둘 게 있는게 Convolution Neural Network 를 배울 때, 보통 conv layer / max pooling layer / fully-connected layer 로 이루어졌다고 배웠다. 그런데, fully-connected layer 를 conv layer 로 표현 ? 계산하는 게 가능하다 (왜 그렇게 하는지는 모르겠는데 이점이 있으니까 그렇게 하겠지?) 

 

아래 슬라이드에서 첫번째 줄이 이전에 배운 classic 한 CNN 구조. conv + pooling 을 지나서 FC 를 거치고 최종적으로 4 개의 class 를 classify 하는 soft-max layer를 통과. 그런데 이걸 conv net 으로 모두 대체 (필터를 이용해서) 하면 아랫줄의 그림과 같이 표현된다. 이 때, conv net 의 필터가 arbitrary linear function 의 역할을 한다고 한다. 그리고 수학적으로 첫번째 줄과, 두번째 줄은 결과적으로 같다고 함. 어쨌든 YOLO 같은 데서 이렇게 쓰기 때문에 짚고 넘어간듯. 

 

본격적으로 YOLO architecture 의 디테일을 보면 아래와 같다.  

Input Image (608, 608, 3) 을 Deep CNN 을 통과시켜서 (19, 19, 5, 85) 으로 encoding 함. (5 - number of anchor boxees, 85 - $P_c$, 좌표, 그리고 80개의 class 에 대한 probability) 

근데 4차원의 encoding 에서 마지막 2개의 dimension 을 합쳐서 flattten 한다. 

여기까지 해서 candidate bounding box 를 찾았다면 이제는 filter 할 차례. 본강에서 배웠듯이 

1) score 몇 점 이하는 다 filter

2) 나머지 박스에 대해서는 IoU 기준으로 filter. 

여기서 1) 번 하기 위해서 score 를 구해야 하는데 각 box 의 score 는 아래와 같이 구할 수 있음. 

마지막으로 2) 실행하기 위해서 bounding box 간 IoU 계산. 끄읕