SSD マルチボックス検出入門

シングルショットマルチボックス検出器 (SSD) は、単一ステージのオブジェクト検出ネットワークを使用して、マルチスケールの特徴から予測した検出結果をマージします。SSD は、Faster R-CNN 検出器のような 2 段階の検出器よりも高速です。また、YOLO v2 検出器のような単一スケールの特徴検出器よりも正確にオブジェクトの位置推定ができます。

SSD は入力イメージに対して深層学習 CNN を実行し、複数の特徴マップからネットワーク予測を生成します。このオブジェクト検出器は予測結果を収集して復号化し、境界ボックスを生成します。

イメージ内のオブジェクトの予測

SSD は、アンカーボックスを使用してイメージ内のオブジェクトのクラスを検出します。詳細については、アンカーボックスによるオブジェクトの検出を参照してください。SSD は、各アンカーボックスの次の 2 つの属性を予測します。

アンカーボックスのオフセット — アンカーボックスの位置を調整します。
クラス確率 — 各アンカーボックスに割り当てられるクラスラベルを予測します。

次の図は、特徴マップ内の各位置の事前定義されたアンカーボックス (破線) と、オフセットの適用後の調整された位置を示します。クラスと一致したボックスは青色とオレンジ色で表示されます。

SSD 検出ネットワークの設計

関数 ssdObjectDetector を使用すると、プログラムでカスタム SSD モデルを設計できます。

SSD マルチボックス検出ネットワークを設計するには、次の手順に従います。

事前学習済みまたは未学習の CNN である特徴抽出ネットワークから、モデルを開始します。
特徴抽出ネットワークから予測層を選択します。特徴抽出ネットワークの層はどれでも、予測層として使用できます。ただし、オブジェクト検出にマルチスケールの特徴を使用する利点を活かすためには、サイズの異なる特徴マップを選択してください。
ssdObjectDetector オブジェクトへの検出ネットワークソース入力として、予測層の名前を指定します。また、クラスとアンカーボックスの名前を入力として指定し、学習用の検出器を構成します。
ssdObjectDetector オブジェクトは、予測層の出力を分類分岐と回帰分岐に接続します。分類分岐は、タイル配置された各アンカーボックスのクラスを予測します。回帰分岐は、アンカーボックスのオフセットを予測します。
ssdObjectDetector オブジェクトは、マージ層を使用して、すべての予測層からの分類分岐の出力を統合します。次に、分類分岐のマージ層からの出力はソフトマックス層に接続され、その後にバイナリ交差エントロピー層が続きます。分類分岐は、バイナリ交差エントロピー関数を使用して分類損失を計算します。
同様に、ssdObjectDetector オブジェクトは、マージ層を使用して、すべての予測層からの回帰分岐の出力を統合します。次に、回帰分岐のマージ層からの出力は、境界ボックス回帰層に接続されます。回帰分岐は、滑らかな L1 関数を使用して境界ボックスの損失を計算します。
イメージ内のオブジェクトを検出するよう、ssdObjectDetector オブジェクトによって構成された SSD オブジェクト検出ネットワークに学習させます。学習済み SSD 検出器を使用して、マルチクラスオブジェクト検出を行うことができます。

SSD モデルを使用したオブジェクト検出器の学習とオブジェクトの検出

SSD オブジェクト検出ネットワークに学習させるには、関数 trainSSDObjectDetector を使用します。詳細については、Train SSD Object Detectorを参照してください。SSD 深層学習手法を使用したオブジェクト検出の実行方法の詳細については、SSD 深層学習を使用したオブジェクト検出の例を参照してください。

転移学習

転移学習を使用すると、SSD 検出ネットワークで事前学習済みの CNN を特徴抽出器として使用できます。関数 ssdObjectDetector を使用して、MobileNetv2 などの事前学習済みの CNN から SSD 検出ネットワークを作成します。事前学習済みの CNN の一覧については、事前学習済みの深層ニューラルネットワーク (Deep Learning Toolbox)を参照してください。

コード生成

SSD オブジェクト検出器 (ssdObjectDetector オブジェクトを使用して作成) を使用した CUDA^® コードの生成方法の詳細については、シングルショットマルチボックス検出器を使用したオブジェクト検出のコードの生成を参照してください。

深層学習用学習データのラベル付け

イメージラベラー、ビデオラベラー、またはグラウンドトゥルースラベラー (Automated Driving Toolbox) アプリを使用して、対話形式でピクセルにラベル付けし、ラベルデータを学習用にエクスポートできます。アプリは、オブジェクト検出用の四角形の関心領域 (ROI)、イメージ分類用のシーンラベル、セマンティックセグメンテーション用のピクセルにラベルを付けるためにも使用できます。いずれかのラベラーでエクスポートされたグラウンドトゥルースオブジェクトから学習データを作成するには、関数 objectDetectorTrainingData または関数 pixelLabelTrainingData を使用できます。詳細については、オブジェクト検出およびセマンティックセグメンテーション用の学習データを参照してください。

参照

[1] Liu, Wei, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu, and Alexander C. Berg. "SSD: Single Shot MultiBox Detector." In Computer Vision – ECCV 2016, edited by Bastian Leibe, Jiri Matas, Nicu Sebe, and Max Welling, 9905:21-37. Cham: Springer International Publishing, 2016. https://doi.org/10.1007/978-3-319-46448-0_2.