So sánh thuật toán SSD và Yolo trong phát hiện đối tượng
TẠP CHÍ KHOA HỌC ĐẠI HỌC VĂN LANG
Trà Văn Đồng và các tgk
SO SÁNH THUẬT TOÁN SSD VÀ YOLO
TRONG PHÁT HIỆN ĐỐI TƯỢNG
COMPARE SSD ALGORITHM AND YOLO IN OBJECT DETECTION
TRÀ VĂN ĐỒNG, NGUYỄN THU NGUYỆT MINH(**) và HUỲNH CHÍ NHÂN
TÓM TẮT: Phát hiện đối tượng có thể chia thành hai nhóm là: 1) Phát hiện một đối tượng cụ thể
và 2) Phát hiện chủng loại đối tượng. Hầu hết các phương pháp đều dựa trên họ R-CNN (Regions
with Convolutional Neural Network Family) như R-CNN, Fast R-CNN [4], Faster R-CNN [2],
Mask R-CNN,… gồm một chuỗi tiến trình nhiều lớp xen kẽ nhau rất phức tạp và chi phí cao. Năm
2016, Joseph Redmon và đồng sự đề xuất phương pháp phát hiện đối tượng YOLO (You Only Look
Once) [1] và Wei Liu và đồng sự đề xuất phương pháp phát hiện đối tượng SSD (Single Shot
Detector) [3] dựa trên cách tiếp cận khác.
Từ khóa: phát hiện đối tượng; deep learning; mạng neuron tích chập CNN; YOLO; SSD.
ABSTRACT: Object detection can be divided into two groups: 1) detecting a specific object, and
2) detecting categories of the object. Most of methods based on R-CNN family (Regions with
Convolutional Neural Network Family) such as R-CNN, Fast R-CNN, Faster R-CNN, Mask R-
CNN,… it comprises of a sequence of processing of alternated layers which is very complex and
expensive. In 2016, Joseph Redmon et al. proposed a method of object detection named YOLO (You
Only Look Once), and Wei Liu et al. proposed a method of object detection named SDD (Single
Shot Detector) based on a different approach.
Key words: object detection; deep learning; convolutional neural network; YOLO; SSD.
những phương pháp học khá hữu hiệu các đặc
trưng được rút trích trực tiếp từ dữ liệu.
1. ĐẶT VẤN ĐỀ
Thuật toán SSD và YOLO đều thuộc
nhóm single shot detectors. Cả hai đều sử dụng
convolution layer để rút trích đặc trưng và một
convolution filter để đưa quyết định và đều
dùng feature map có độ phân giải thấp (low
resolution feature map) để dò tìm đối tượng,
chỉ phát hiện được các đối tượng có kích thước
lớn. Phát hiện đối tượng với mục tiêu là phát
hiện đối tượng có hay không trong một hoặc
nhiều ảnh, định vị đối tượng đó trong ảnh, là
một trong những bài toán cơ bản và thử thách
nhất trong thị giác máy tính. Các kỹ thuật deep
learning [8] phát triển gần đây được xem như là
Khi chúng ta muốn phát hiện ra object
trong một bức ảnh, sau đó đánh nhãn cho
object đó, các phương pháp cũ quá chậm để
phục vụ trong real-time, hoặc đòi hỏi thiết bị
phải mạnh cho đến khi YOLO và SSD ra đời,
có khả năng gán nhãn cho toàn bộ object trong
khung hình với chỉ duy nhất một operation và
mô hình sử dụng một mạng neural duy nhất. Có
thể nói YOLO, SSD đã xây dựng một hướng
tiếp cận đầu tiên giúp đưa Object detection thực
sự khả thi trong cuộc sống. Trong bài viết này,
chúng tôi xin trình bày hai thuật toán nói trên
để làm rõ hơn vấn đề tìm kiếm đối tượng.
ThS. Trường Đại học Văn Lang, Mã số: TCKH22-10-2020
62
TẠP CHÍ KHOA HỌC ĐẠI HỌC VĂN LANG
Số 23, Tháng 9 – 2020
này có nghĩa là Pr(Object) = 0 nếu đối tượng không
có trong box và Pr(Object) = 1 nếu đối tượng có
trong box. Chỉ số conf phản ánh có hay không một
đối tượng thuộc một chủng loại (lớp) trong box.IOU
là tỷ lệ giữa diện tích vùng giao nhau và diện tích
vùng hợp nhất của 2 box, thông thường nếu IOU >
2. NỘI DUNG
2.1. Thuật toán YOLO [5]
YOLO là một mô hình mạng CNN cho việc
phát hiện, nhận dạng, phân loại đối tượng. YOLO
được tạo ra từ việc kết hợp giữa các convolutional
layersvàconnectedlayers.Trongđó,các convolutional
layers sẽ trích xuất ra các feature của ảnh; full- 50% thì được xem là box dự đoán đó có đối tượng.
connected layers sẽ dự đoán ra xác suất và tọa độ
của đối tượng. YOLO được đề xuất từ ý tưởng con
người có thể phát hiện và định vị được một đối
tượng nào đó khi đã nhìn qua một lần. Do đó kiến
trúc một hệ thống phát hiện đối tượng YOLO tương
đối đơn giản như minh họa trong hình 1.
Trường hợp muốn dự đoán xác xuất đối tượng
thuộc chủng loại nào thì sử dụng thêm xác xuất có
điều kiện Pr(Class(i) | Object).
2.1.2. Mạng neuron tích chập
YOLO xây dựng một mạng CNN để dự
đoán các tensor kích thước (7,7,30). Mạng
CNN này có tác dụng làm giảm kích thước
không gian mỗi vị trí thành 7 x 7 với 1024 một
kênh đầu ra. Hình 2 minh họa kiến trúc một
mạng YOLO. Kiến trúc mạng CNN trong
YOLO có 24 lớp tích chập kết hợp với các lớp
max pooling và 2 lớp fully connected. Lần lượt
mỗi lớp tích chập sẽ giảm kích thước không
gian đặc trưng từ lớp trước đó.
Hình 1. Hệ thống phát hiện đối tượng YOLO đơn giản
Ghi chú: 1) Ảnh được điều chỉnh thành ảnh có kích thước
phù hợp (chẳng hạn 448x448); 2) Chạy một mạng tích
chập đề rút trích đặc trưng; 3) Kết quả phát hiện dựa trên
ngưỡng rút ra từ độ tin cậy của mô hình, có thể xử lý và
phát hiện đối tượng 45 frames/s với độ chính xác cao.
2.1.1. Vector dự đoán (The Predictions Vector)
Đây là vector đầu ra của YOLO. Ảnh đầu vào
được chia thành một lưới gồm SxS ô. Với mỗi đối
tượng là một ô, một ô trong lưới được xem là ứng
viên để dự đoán đối tượng. Mỗi ô như vậy dự đoán
cho B bounding box (gọi tắt là box) và C xác xuất
cho lớp của đối tượng. Mỗi box có 5 thành phần:
(x,y,w,h,conf). Trong đó (x,y) là tọa độ tương đối giữa
tâmcủa box so với ô (điều đó có nghĩa là nếu tâmcủa
box không rơi vào trong ô thì ô đó không được xem
là ô ứng viên). Các tọa độ này được chuẩn hóa [0,1].
(w,h) là chiều rộng và chiều dài tương đối của box và
cũng được chuẩn hóa [0,1]. Thành phần conf được
gọi là độ tin cậy của box. confđược tính như sau:
Hình 2. Kiến trúc mạng CNN trong YOLO
Bảng 1. Liệt kê lớp trong mạng CNN (gọi là mạng CNN
đầy đủ - full CNN) của một hệ thống YOLO
Tên
Conv 1
Bộ lọc
7 x7 x64, stride=2
2 x 2, stride=2
3 x 3 x 192
2 x 2, stride=2
..
Kíchthướcđầura
224 x 224 x 64
112 x 112 x 64
112 x 112 x 192
56 x 56 x 192
..
Max Pool 1
Conv 2
Max Pool 2
..
Conv 15
1 x 1 x 512
28 x 28 x 512
(
)
푐표푛푓 = 푃푟 푂푏푗푒푐푡 ∗ 퐼푂푈(푝푟푒푑, 푡푟푢푡ℎ) (1.1)
Trong đó: IOU là chỉ số IOU [7] (Intersect
Over Union). Nếu đối tượng không có trong box thì
conf = 0, ngược lại conf = IOU(pred, truth). Điều
Một mạng CNN trong một hệ thống YOLO
không nhất thiết phải đầy đủ 24 lớp mà tùy từng
đối tượng có thể điều chỉnh giảm số lớp cho phù
hợp vì số lớp càng ít, tốc độ YOLO càng nhanh.
63
TẠP CHÍ KHOA HỌC ĐẠI HỌC VĂN LANG
Trà Văn Đồng và các tgk
Hình 3. Ảnh đầu vào cho YOLO
Lớp cuối cùng sử dụng hàm kích hoạt tuyến tính,
trong khi các lớp khác sử dụng hàm leaky RELU:
Hệ thống thực hiện chia ảnh đầu vào thành
lưới, để đơn giản chẳng hạn 3x3.
푥
0.1푥
푛ế푢 푥 > 0
푛푔ượ푐 푙ạ푖
휃(푥) = {
(1.2)
2.1.3. Hàm chi phí (Loss function)
Hàm chi phí được dùng để tối ưu hóa
trong quá trình huấn luyện và có công thức
2
표푏푗
푖푗
푆
퐵
2
∑
∑
(
)
푥푖 − 푥̂ +
푖
휆푐표표푟푑
ퟙ
푖=0 푗=0
2
(
)
푦푖 − 푦̂
(1.3)
푖
Trong đó: coord là hằng số cho trước.
(x,y) là tọa độ tương đối của box
ퟙobj được định nghĩa như sau;
1, nếu một đối tượng có trong ô thứ i và
box thứ j, mà box này là box ứng viên. 0, đối
với các trường hợp khác.
Hình 4. Hệ thống lưới được YOLO chia cho ảnh đầu vào
Phân lớp và định vị ảnh được thực hiện
cho mỗi ô trong lưới. Khi đó YOLO dự đoán
các box và xác suất thuộc chủng loại nào cho
đối tượng (nếu có). Dữ liệu đã gán nhãn sẽ
được đưa vào mô hình để huấn luyện. Trong
hình 4 hệ thống đã chia ảnh đầu vào thành ma
trận 3 x 3, và giả sử trong hệ thống có 3 lớp là
người đi bộ, xe hơi và xe máy. Do đó mỗi ô
trong lưới, nhãn y sẽ là một vector 8 chiều.
2.1.4. Quy trình phát hiện đối tượng
Quá trình phát hiện đối tượng trong một hệ
thống YOLO có thể tóm lược trong các bước sau:
YOLO nhận ảnh đầu vào, chẳng hạn như hình 3
Bảng 2. Bảng thể hiện nhãn y khi phát hiện và không phát hiện đối tượng
y
pc
y
0
y
1
bx
by
bh
bw
0
bx
?
?
?
?
?
?
?
by
bh
bw
c1
c2
c3
1
0
Vector 8 chiều
Khi không phát hiện đối tượng trong ô
Khi ô có đối tượng
Trong đó: pc: xác định một đối tượng có
Xét ô đầu tiên trong ví dụ trên: Vì không
có đối tượng nào trong ô này, pc=0 và nhãn y
sẽ là: Dấu? hàm ý các giá trị bx, by, bw, by…
không có ý nghĩa khi không có đối tượng nào
trong ô.
hay không trong ô (xác suất); bx, by, bw, bh:
các chỉ số của box; c1, c2, c3: tượng trưng cho
các lớp. Nếu đối tượng là xe hơi thì c2=1,
c1=c3=0.
64
TẠP CHÍ KHOA HỌC ĐẠI HỌC VĂN LANG
Số 23, Tháng 9 – 2020
Xét ô có đối tượng xe trong đó: Nhãn y sẽ
là: Như vậy với mỗi ô trong 9 ô sẽ có một
vector 8 chiều là đầu ra. Đầu ra sẽ là một ma
trận có dạng 3 x 3 x 8.
tương đối đơn giản nhưng một ô chứa nhiều đối
tượng thì việc tính chỉ số box phức tạp hơn. Do
đó phát sinh ra khái niệm anchor box. Xét hình
sau đây:
Hình 5. Mô hình huấn luyện trong YOLO
Tính toán các chỉ số cho box: trong YOLO
tọa độ tương đối của đối tượng trong ô và loại bớt
các box bằng phương pháp Non-max Suppression.
Trường hợp đối tượng nằm trong nhiều ô.
Các ô trong YOLO không dự đoán đối tượng
có trong ô một cách độc lập nhau mà có sự liên
kết giữa các ô do không chỉ sử dụng dữ liệu có
trong ô mà còn sử dụng dữ liệu ô lân cận khi
trong mạng CNN.
Hình 6. Ví dụ về anchor box
Hình 7. Hai loại anchor box
Anchor box: trường hợp chỉ có một đối
tượng trong ô thì việc tính toán các chỉ số box
Bảng 3. Nhãn y được thể hiện khi có 2 anchor box
pc bx by bh bw c1 c2 c3 pc bx by bw c1 c2
c3
y
YOLO sẽ lấy tâm của đối tượng và dựa
trên vị trí của tâm sẽ gán đối tượng đó thuộc ô
nào. Trong ví dụ này tâm cả 2 đối tượng đều
nằm chung một ô. Trường hợp này YOLO sẽ
tính chỉ số box cho từng đối tượng như sau:
YOLO định nghĩa 2 loại anchor box như minh
họa trong Hình 7. Khi đó nhãn y sẽ có dạng
như sau: 8 dòng trên thuộc anchor box 1, 8
dòng dưới thuộc anchor box 2. Đối tượng được
gán cho anchor box nào là dựa trên tính tương
đồng hình dáng của anchor box với box
(bounding box). Một cách tổng quát số anchor
box sẽ bằng với số đối tượng có trong ô.
họ R-CNN. Hoạt động SDD gồm 2 giai đoạn:
Rút trích các ánh xạ đặc trưng; Sử dụng bộ lọc
tích chập để phát hiện đối tượng.
2.2.1. Rút trích đặc trưng
SSD sử dụng mạng tích chập để rút trích
đặc trưng, cụ thể là sử dụng lớp Conv4_3. Hình
8 trực quan hóa kết quả rút trích lớp Conv4_3
bằng một ma trận 8x8 (thực tế là 38x38). Với
mỗi vị trí sẽ có 4 đối tượng được dự đoán.
2.2. THUẬT TOÁN SSD [3]
Tương tự như YOLO, việc phát hiện đối
tượng hoặc nhiều đối tượng trong ảnh chỉ cần
lướt qua ảnh một lần, do đó SSD phát hiện đối
tượng nhanh hơn so với cách tiếp cận dựa trên
Hình 8. Ảnh trái: ảnh gốc. Ảnh phải: 4 bounding box
được dùng dự đoán tại mỗi điểm
65
TẠP CHÍ KHOA HỌC ĐẠI HỌC VĂN LANG
Trà Văn Đồng và các tgk
hình, công thức (2.1a) và (2.1b) tính chiều dài
w và chiều cao h của box mặc định.
w =
tỷ lệ scale. tỷ lệ khung hình (2.1a)
√
푡ỷ 푙ệ 푠푐푎푙푒
ℎ =
(2.1b)
Hình 9. SSD sử dụng ma trận nhỏ để phát hiện
푡ỷ 푙ệ 푘ℎ푢푛푔 ℎì푛ℎ
√
đối tượng trong ma trận lớn hơn
2.2.5. Phát hiện đối tượng
2.2.2. Bộ dự đoán tích chập dùng dự đoán đối tượng
SSD tính các chỉ số cho vị trí và lớp bằng
cách sử dụng bộ lọc tích chập. Sau khi có các
ma trận đặc trưng, SSD sử dụng bộ lọc tích chập
3x3 để dự đoán. Các bộ lọc này thực hiện dự
đoán tương tự như các bộ lọc CNN. Mỗi bộ lọc
sẽ cho 25 kênh đầu ra bao gồm: 21 chỉ số cho
mỗi lớp và một bounding box cho mỗi vị trí.
2.2.3. Sử dụng nhiều tỷ lệ cho ánh xạ đặc
trưng để phát hiện đối tượng
SSD sử dụng các lớp có độ phân giải thấp
hơn để phát hiện đối tượng có tỷ lệ lớn. Việc sử
dụng ma trận đặc trưng nhiều tỷ lệ cải thiện
đáng kể độ chính xác của thuật toán. Bounding
box mặc định;
Các dự đoán của SSD được phân loại so
khớp dương và so khớp âm. SSD chỉ sử dụng
so khớp dương để tính toán chi phí định vị. Nếu
chỉ số IoU lớn hơn 0.5, so khớp là dương,
ngược lại là âm. Hình 8 minh họa tỷ lệ IOU
giữa bounding box với các box mặc định và chỉ
một bounding box được chọn cho đối tượng.
2.2.6. Box mặc định và ma trận đặc trưng
nhiều tỷ lệ
Hình 9 minh họa cách SSD kết hợp các ma
trận đặc trưng theo nhiều tỷ lệ với các
bounding box mặc định để phát hiện đối tượng
theo nhiều tỷ lệ. Điều này chứng tỏ lớp ma trận
đặc trưng có độ phân giải càng cao thì càng phù
hợp cho việc phát hiện các đối tượng có kích
thước nhỏ.
2.2.4. Lựa chọn box mặc định
Các box mặc định được chọn thủ công, sau
đó SSD định nghĩa một giá trị tỷ lệ ảnh (scale)
cho mỗi lớp đặc trưng. Đi từ trái sang, lớp
Conv4_3 bắt đầu phát hiện đối tượng từ tỷ lệ
nhỏ nhất 0.2 (đôi khi là 0.1) và tăng tuyến tính
cho đến lớp tận cùng bên phải sẽ đạt tỷ lệ là
0.9. Kết hợp giá trị tỷ lệ scale với tỷ lệ khung
Hình 10. Các ma trận tỷ lệ khác nhau
được dùng phát hiện đối tượng khác nhau
2.2.7. Kiến trúc mạng SSD
Hình 11. Kiến trúc mạng SSD
66
TẠP CHÍ KHOA HỌC ĐẠI HỌC VĂN LANG
Số 23, Tháng 9 – 2020
Để việc thực hiện được chính xác, các lớp
ánh xạ đặc trưng khác nhau đều phải đi qua lớp
tích chập 3x3, được sử dụng để phát hiện đối
tượng. Như vậy mỗi bounding box sẽ có (c+4)
đầu ra. Khi qua bộ lọc 3x3 lớp Conv4_3 sẽ có
38x38x4x(21+4) = 144.400 đầu ra.
Nếu tính riêng bounding box, số lượng
bounding box sẽ là 38x38x4 = 5776.
Tương tự cho các lớp khác:
2.2.9. Tỷ lệ co giản và tỷ lệ khung hình của
box mặc định
Tỷ lệ co giản box mặc định được tính như sau:
푠푚푎푥−푠푚푖푛
( )
푘 − 1 , 푘 ∈ [1, 푚](2.5)
푠푘 = 푠푚푖푛
+
푚−1
Giả sử có m ánh xạ đặc trưng để dự đoán,
sk được dùng để tính cho đặc trưng k. Smin và
Smax lần lượt là 0.2 và 0.9, nghĩa là tỷ lệ co giản
tối thiểu là 0.2 và tối đa là 0.9.
Với mỗi tỷ lệ co giản sk, có 5 tỷ lệ khung:
1
1
푠푘
푎
Lớp Conv7: 19x19x6 = 2166 bounding
box (6 box cho mỗi vị trí).
(
)
푎푟 ∈ {1,2,3, , } 푤푘 = 푠푘
푎
√
(ℎ푘푎 =
) (2.6)
푎
√
푟
푟
2
3
Do đó có thể tính tối đa 6 bounding box
với tỷ lệ khung khác nhau. Đối với các lớp chỉ
có 4 bounding box, SSD bỏ 2 tỷ lệ 3 và 1/3.
2.3. SO SÁNH YOLO VÀ SSD
Lớp Conv8_2: 10x10x6 = 600 bounding
box (6 box cho mỗi vị trí).
Lớp Conv9_2: 5x5x6 = 150 bounding box
(6 box cho mỗi vị trí).
2.3.1. Về phương pháp
Lớp Conv10_2: 3x3x4 = 36 bounding box
(4 box cho mỗi vị trí).
Cả SSD và YOLO đều chung ý tưởng dự
đoán đối tượng chỉ cần qua một lần quét ảnh,
đều dựa trên mạng CNN trong deep learning
để rút trích đặc trưng ảnh, đều chia ảnh thành
lưới gồm nhiều ma trận tỷ lệ khác nhau. Sự
khác nhau chính giữa 2 thuật toán này là cách
thức xây dựng các box để định vị và xác định
vùng biên của các đối tượng trong ảnh (2.2).
Lớp Conv11_2: 1x1x4 = 4 bounding box
(4 box cho mỗi vị trí).
Nếu cộng lại sẽ có tất cả: 5776 + 2166 +
600 + 150 + 36 +4 = 8732 bounding box.
2.2.8. Hàm chi phí (Loss Function)
Hàm chi phí trong SSD có công thức sau:
퐿 푥, 푐, 푙, 푔 = 1 (퐿푐표푛푓 푥, 푐 + 훼퐿푙표푐 푥, 푙, 푔 ) (22)
(2.2)
(
)
(
)
(
)
푁
Nếu YOLO sử dụng anchor box thì SSD sử
NhưvậyhàmchiphítrongSSDgồm2yếutốL và
conf
dụng box mặc định. Cách thức dò tìm cũng
khác nhau, YOLO xét sự tương quan giữa các
vùng ảnh bằng cách gán nhãn còn SSD sử
dụng box với nhiều tỷ lệ khác nhau và tỷ lệ
khung ảnh cho các đối tượng có box cùng hình
dạng. Kết quả là SSD tỏ ra kém hơn YOLO
trong việc phát hiện những đối tượng có kích
thước nhỏ và ảnh có độ phân giải kém.
L ,trongđóNlàsốboxmặcđịnhdùngđểsokhớp.
loc
Lloc của các box mặc định là khớp là chi phí
định vị cho hàm smoothL1 để box dự đoán được
(l) với box mặc định (g) gần trùng khớp nhau.
푁
푖∈푃표푠
} 푥푘 푠푚표표푡ℎ퐿1(푙푚 − 푔̂푚)(2.3)
(
)
∑
∑
퐿푙표푐 푥, 푙, 푔 =
{
푚∈ 푐푥,푐푦,푤,ℎ
푖푗
푖
푗
Trong đó:
푔푗푐푦 − 푑푖푐푦
푔푗푐푥 − 푑푖푐푥
푑푖푤
푐푦
푗
푐푥
푗
푔̂
=
푣à 푔̂
=
푑푖ℎ
푔푗ℎ
푔푗푤
2.3.2. Về thực nghiệm
푤
ℎ
푗
푔̂ = 푙표푔 (
)
푣à 푔̂ = 푙표푔 (
)
푗
푑푖푤
푑푖ℎ
Thực nghiệm so sánh được thực hiện cho 2
thuật toán: YOLO, SSD [3], trên máy Jupyter
Notebook chạy trên Google Cloud có GPU
Nvidia Tesla K80 14Gb. Chỉ số đánh giá được
sử dụng là AP (Average Precision) trên bộ dữ
Các tham số (cx, cy) là tọa độ tâm của bounding
box,wvàhlàchiềurộngvàchiềucaocủaboundingbox.
Lconf là chi phí cho độ tin cậy của hàm softmax
trên c lớp. (α = 1 trong trường hợp kiểm tra chéo).
푝
퐿푐표푛푓 푥, 푐 = − 푖∈푃표푠 푥푖푗 log(푐푖푝) − 푖∈푁 푙표푔 (푐0
̂ 푖̂ )(2.4)
푁
(
)
∑
∑
liệu COCO.
Bảng 4. So sánh chỉ số AP giữa 2 thuật toán YOLO và SSD
exp(푐푖푝
)
Trong đó: 푐푖푝
̂ =
∑
푝 exp(푐푖푝
)
YOLO
SSD
푥푖푝푗 = {1,0} là yếu tố chỉ thị khớp hay không giữa
33
31.2
boxmặcđịnhthứivàboxthựctếthứjcủalớpp.
67
TẠP CHÍ KHOA HỌC ĐẠI HỌC VĂN LANG
Trà Văn Đồng và các tgk
So sánh về thời gian phát hiện đối tượng
trên 3 ảnh.
đương nhau, về tốc độ cũng chênh lệch không
đáng kể. Giữa YOLO và SSD tốc độ nhanh gần
như tương đương nhau nhưng YOLO tỏ ra vượt
trội hơn SSD về đối tượng được phát hiện trong
ảnh nhất là đối tượng có tỷ lệ nhỏ.
Bảng 5. So sánh thời gian phát hiện đối tượng
giữa 2 thuật toán YOLO và SSD
YOLO
SSD
3. KẾT LUẬN
Mặc dù có hạn chế về độ chính xác so với
Faster RCNN nhưng trong những trường hợp
cần phát hiện tương đối một đối tượng nào đó
một cách tức thời (theo thời gian thực) hoặc số
đối tượng cần phát hiện tương đối ít, YOLO và
SSD thực sự là một thuật toán đáng sử dụng.
0:00:02.204303
0:00:03.170221
Qua thực nghiệm trên nhận thấy chỉ số AP
giữa 2 thuật toán YOLO và SSD là tương
TÀI LIỆU THAM KHẢO
[1] Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi (2016), You Only Look Once: Unified,
Real-Time Object Detection, Computer Vision and Pattern Recognition, arXiv:1506.02640.
[2] Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun (2016), Faster R-CNN: Towards Real-Time Object
Detection with Region Proposal Networks, Computer Vision and Pattern Recognition, arXiv:1506.01497v3
[cs.CV].
[3]WeiLiu, DragomirAnguelov, DumitruErhan, ChristianSzegedy,ScottReed,Cheng-YangFu, AlexanderC. Berg
(2016),SSD:SingleShotMultiBoxDetector.ComputerVisionandPatternRecognition,arXiv:1512.02325v5.
[4]RossGirshick(2015), FastR-CNN, ComputerVisionandPatternRecognition,arXiv:1504.08083v2.
[5] https://www.analyticsvidhya.com/blog/2018/12/practical-guide-object-detection-yolo-framewor-python/,
ngày truy cập: 06-12-2018.
ngày truy cập: 07-11-2016.
Ngày nhận bài: 06-01-2020. Ngày biên tập xong: 30-6-2020. Duyệt đăng: 24-9-2020
68
7 trang
20960
Free
Bạn đang xem tài liệu "So sánh thuật toán SSD và Yolo trong phát hiện đối tượng", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- so_sanh_thuat_toan_ssd_va_yolo_trong_phat_hien_doi_tuong.pdf
