faster r-cnnの入力画像について

今回、faster r-cnnで4step学習を試みている状態なのですが、1つ理解ができていないことがあり質問させていただきます。

まず、inputSizeが[32 32 3]であるcnnネットワークを事前学習させました。このネットワークをfaster r-cnnとして学習するさいに、オプションであるSmallestImageDimensionとして学習イメージをサイズ変更できるとあるのですが、このオプションを使用すると、入力画像がその設定した値にサイズ変更されてネットワークに流れるのでしょうか？その場合、inputSizeが合わなくなってしまうので、一度inputSizeをSmallestImageDimensionの値と同じにする必要があるのでしょうか。

ミニバッチを適用する際に、faster r-cnnですと入力画像を同じサイズに変更する必要があり、transformを使用してinputSize[32 32]に合わせるべきなのか、それともSmallestImageDimensionの値に合わせるべきなのかわかりません。

ここの兼ね合いがよく理解できずにいます。何かアドバイス、ご指摘いただければ幸いです。

どうぞよろしくお願いいたします。

Answer 1

[Kenta]

こんにちは、ひとまず、両方試してみて、analyzeNetwork関数などで、ネットワーク構造をみてみてはいかがでしょうか？

[HY]

kenta様

ご回答ありがとうございます。

試したところ700ですとエラーが発生してしまい、32で合わせると読み込みますがアンカーボックスが[2 2]など非常に小さい値になってしまいます。

SmallesetImageDimensionとの兼ね合いがよくわかりません。

[Kenta]

こんにちは、返信が遅くなり申し訳ありません。SmallesetImageDimensionにすると一括して、全訓練データが32×32などにリサイズされるのではないでしょうか。700でエラーがでるのは、700より小さい画像サイズをもつ訓練データが存在するからで、32で、アンカーボックスがとても小さくなる理由は、縦（や横）の長さが32になるように、訓練データの各画像をそれだけ小さくしているから、ではないでしょうか？700でエラーが出る場合は、transformを使えばエラーを返さない気がします。

少し話はちがいますが、例えば同じカメラで同じように撮影すると、解像度も同じなのでこのような問題には直面しないと思うので、いろいろな画像が訓練データとしてあるのですね。縦32ピクセル、では非常に小さい気もしますが、それだけ撮影が難しい対象なのでしょうか？32といった、低い解像度がほとんどの場合だと32にリサイズするのがいいでしょうし、例外的に32が含まれて、ふつうは700×700とかが多いのであれば、その少数の低解像度画像は諦めるほうがいいのかもしれませんね。目的は、手持ちの画像で物体検出をしたいということと思うので、あとはお手持ちのデータの特性で、色々と作戦を変えたらよいのだと思います。

[HY]

お返事ありがとうございます。学習データを集める際に携帯やアクションカメラなどサイズの違う学習データを集めています。別枠でも質問しましたが2017verでは勝手が違うようで困惑しています。色々とアドバイス大変ありがとうございます。提案されたことを一つ一つ試したいと思います。

[Kenta]

なるほど、そういう場合は大変ですね。詳しく教えていただいありがとうございました。