Sistema para deteccion de objetos en tiempo

real.
Descripcion
Enfoque unificado usando una red neuronal
unica.

Problemas no resueltos por otros sistemas.

Enfoques anteriores: clasificadores y

Introduccion y Motivacion propuestas de regiones.

Necesidad de rapidez y precision.

Enfoque unificado para deteccion de objetos.

Procesamiento en tiempo real.

Regresion de imagenes a cajas delimitadoras y

probabilidades de clases.

Ventajas sobre metodos tradicionales.

Inspirada en GoogLeNet.

24 capas convolucionales, 2 capas

completamente conectadas.
Diseño de Red y Arquitectura
Prediccion simultanea de multiples cajas y
Joseph Redmon
probabilidades de clase.

Santosh Divvala
Autores Division de imagen en cuadricula S × S.

Ross Girshick
Aspectos Clave del Sistema
Preentrenamiento en ImageNet.

Ali Farhadi Ajuste fino para deteccion de objetos.

Entrenamiento
Optimizacion para error de suma de cuadrados.
YOLO V1 - "You Only Look
Uso de dropout y aumento de datos.
Once: Unified Real-Time
Object Detection" Evaluacion en una sola pasada.

Inferencia Prediccion de cajas y probabilidades de clase.

Supresion no maxima para refinamiento.

Prediccion de multiples cuadros y

probabilidades por celda.

Proceso de Deteccion Calculo de puntuaciones especificas de clase.

Supresion no maxima para eliminar detecciones

redundantes.

Ventajas sobre DPM y R-CNN en velocidad y

precision.
Comparacion con Otros Sistemas
Comparaciones de rendimiento con sistemas
existentes.

Efectiva en nuevos dominios como el arte.

Aplicaciones en Tiempo Real
Utilidad en aplicaciones de vision por
computadora.

Velocidad: 45 fps.

Ventajas Aprendizaje de representaciones generales.

Menos errores en fondos que otros sistemas.

Dificultades con objetos pequeños y agrupados.

Limitaciones
Problemas de generalizacion en nuevos angulos
o configuraciones.