YOLO масштабирует якоря перед полностью связанными слоями? Каково решение для отсутствия объединения ROI?

Question

Я прочитал десятки статей о YOLO, но не нашел ответа. Вопрос заключается в следующем: более быстрый R-CNN использует ROI Pooling для масштабирования якорей перед полностью подключенными слоями, а YOLO - нет. Некоторые люди говорят, что YOLO не нуждается в пуле ROI, потому что у него нет RPN, но YOLO имеет разные якоря с разными размерами / пропорциями , каждый из которых пытается обнаружить объект. Как обучить нейронную сеть этим якорям разных размеров? Йоло вычисляет показатель достоверности и оценки класса, но я не могу понять, как это возможно без изменения формы якорей.

Answer 1

Вы говорите из полностью связанных слоев и якорных ящиков в йоло. Только первая версия Yolo имела полностью связанный слой, но не имел якорей. Yolo v2 и v3 оба являются полными CNN без каких-либо полностью связанных слоев, но с якорями.

В первом yolo ширина и высота были прямо предсказаны относительно ширины и высоты ввода. В Yolov2 и v3 использовались якорные ящики, и только изменение масштаба ширины и высоты якорей происходит так же, как, например, в Faster R-CNN, SSD.