[Boostcamp AI Tech] [U-stage] 6주차 Day 5 학습 기록

학습 내용

---

Object detection

• Object detection은 Semantic segmentation, Instance segmentation, Panoptic segmetation을 위해 필요한 근본적인 기술이다.

• Object detection : Classification + Box localization

---

Two-stage detector

• Hand-craft 방식 : Gradient-based detector(HOG), Selective search

• R-CNN

  • 딥러닝을 본격적으로 Object Detection에 활용
  • region proposal을 추출(2천 개 이하), 각 region을 CNN에 넣어 classification
    • region proposal엔 기존 Hand-craft 방식 사용
  • 각각의 region을 CNN에 넣어 계산해야 하므로 굉장히 느림, selective search같은 기법도 포함되어 있어 성능 향상에 한계

• Fast R-CNN

  1. Image로부터 feature map을 뽑는다
  2. RoI pooling layer : Region of Interest, Region proposal이 제시한 물체의 위치 후보 -> RoI에 해당하는 feature만 추출(이 과정에서 fixed size를 가짐)
  3. bounding box regression, classification을 진행한다.
  • R-CNN에 비해 최대 18배 빠른 속도가 나지만, 여전히 region proposal을 사용해 데이터만으로 성능을 올리는 데 한계

• Faster R-CNN

  • Region proposal 부분을 neural network로 대체(Region proposal network)

    • 최초의 End-to-End object detection model

  • IoU(Intersection over union) : 두 영역의 교집합/합집합

    • IoU가 높으면 두 영역이 잘 겹친 것

  • Anchor box 생성 : pre-defined bounding box를 미리 정해놓고 쓰는 것

  • Ground Truth와의 IoU를 구해, > 0.7 이면 positive, < 0.3이면 negative

  • Non-Maximum Suppression

---

One-stage detector

• 정확도보다 속도를 확보해서 real-time detection이 가능하게 하는 것이 목표

• RoI pooling 없이 바로 box regression, classification을 진행하므로 속도가 빠름

• YOLO

  • Image를 S*S grid로 나눠, Bounding box + confidence, Class probability를 동시에 따로 구해 둘을 종합한다.