Darknet 계층 class의 최종 확률은 해당 node 값 하나가 아니라 root부터 그 node까지의 조건부 확률을 모두 곱한 값이므로, 계층이 깊을수록 숫자가 작아지는 것이 자연스럽습니다.
tree.c는 flat class 목록을 부모, 자식 group으로 묶고, sibling softmax 결과를 전체 계층 확률로 바꾸는 후처리를 담당합니다. 아래 코드는 Darknet의 list, 파일 helper와 tree 구조체를 전제로 하므로 독립 실행 예제가 아닙니다.
get_hierarchy_probability는 class c에서 시작해 parent[c]를 계속 따라가며 값을 곱합니다.
1
2
3
4
5
6
float p = 1;
while(c >= 0){
p = p * x[c*stride];
c = hier->parent[c];
}
return p;
자식 값이 0.8이라도 부모 경로가 0.5와 0.6이면 최종 확률은 0.24입니다. Flat softmax의 0.8과 직접 비교하면 confidence가 비정상적으로 낮다고 오해할 수 있습니다. stride가 1이 아닐 때는 각 node 값이 연속해 있지 않으므로 배열 layout도 함께 확인해야 합니다.
hierarchy_predictions는 같은 계산을 전체 node에 in-place로 적용합니다. 부모 index의 값이 먼저 전체 확률로 바뀌어 있어야 자식이 올바른 경로 곱을 얻으므로, 파일의 node가 부모부터 자식 순으로 배치됐다는 전제가 중요합니다.
read_tree는 각 줄에서 node 이름과 parent index를 읽습니다. Parent 값이 이전 줄과 달라질 때 새 group을 시작하고 group_offset과 group_size를 기록합니다. 즉 같은 parent의 자식들이 파일 안에서 연속해 있다는 전제를 코드가 직접 사용합니다.
1
2
3
4
5
6
7
8
9
if(parent != last_parent){
++groups;
t.group_offset = realloc(t.group_offset, groups * sizeof(int));
t.group_offset[groups - 1] = n - group_size;
t.group_size = realloc(t.group_size, groups * sizeof(int));
t.group_size[groups - 1] = group_size;
group_size = 0;
last_parent = parent;
}
같은 parent를 가진 node를 떨어진 위치에 다시 적으면 별도 group처럼 나뉠 수 있습니다. 파일을 만들 때 parent가 자식보다 먼저 나오고, sibling은 한 구간에 모이는지 검사해야 합니다. 단순히 parent index가 유효하다는 것만으로 충분하지 않습니다.
읽기가 끝나면 모든 node를 leaf로 시작한 뒤 parent로 등장한 node의 leaf 표시를 0으로 바꿉니다. change_leaves는 별도 이름 목록으로 이 표시를 다시 지정하며, 찾은 개수만 출력합니다. 목록의 오타가 있어도 전체 일치 여부를 강제하지 않습니다.
hierarchy_predictions의 only_leaves가 참이면 부모 확률을 곱한 뒤 leaf가 아닌 node를 0으로 만듭니다. 이는 내부 category를 최종 detection label로 내보내지 않으려는 선택입니다.
이 변환은 predictions 배열 자체를 수정합니다. 같은 배열로 원래 sibling 조건부 확률과 최종 leaf 확률을 모두 분석하려면 변환 전에 복사본을 남겨야 합니다. 함수를 두 번 호출하면 부모 확률이 반복해서 곱해질 수 있으므로 한 번만 적용하는 호출 계약도 필요합니다.
hierarchy_top_prediction은 현재 group에서 가장 큰 자식을 고르고 누적 확률 p*max가 threshold보다 클 때만 그 자식 group으로 내려갑니다. Threshold를 넘지 못하면 root에서는 현재 최대 node를, 더 깊은 곳에서는 현재 group의 parent를 반환합니다.
따라서 threshold가 높으면 더 일반적인 상위 category에서 탐색이 멈추고, 낮으면 leaf까지 내려갈 가능성이 커집니다. 디버깅할 때는 반환 index만 보지 말고 각 단계의 group, local max, 누적 p를 기록해야 합니다.
최소 검증 fixture는 root 두 개, 한 root의 자식 두 개처럼 작게 만듭니다. Parent-before-child와 sibling-contiguous 순서를 지키고 손으로 경로 곱을 계산한 뒤, only_leaves와 서로 다른 threshold 결과를 비교하면 tree 파일과 확률 처리 오류를 분리할 수 있습니다.
각 node에서 parent를 따라가며 방문 set을 두고 root -1에 도달하는지 검사합니다. 자신을 parent로 두거나 이미 방문한 node로 돌아가면 확률 함수가 끝나지 않습니다. Parent가 node 수 범위 안이라는 검사뿐 아니라 parent-before-child 조건도 확인합니다.
Root가 여러 개인 forest는 허용할 수 있지만 각 root group과 top prediction 시작 규칙을 명시합니다. 연결되지 않은 node와 group에 포함되지 않은 node를 보고합니다.
아닙니다. Root부터 해당 node까지 여러 조건부 확률을 곱하므로 깊을수록 값이 작아질 수 있습니다.
안 됩니다. 같은 parent의 node가 연속한다는 전제로 parent 값 변화마다 softmax group을 만듭니다.
In-place로 부모 확률을 곱하므로 반복 호출하면 이미 변환된 값에 다시 곱할 수 있습니다.
←→ 키와 좌우 스와이프를 지원합니다. 읽던 페이지는 이 기기에 저장됩니다.