Object Detection -2-

Single-stage Detector

한번에 Object Detection을 하게 하면 어떨까?

• RPN과 비슷함: 그러나, 물체의 여부로서 앵커를 분류하는 것보다 직접 물체 카테고리나 배경을 예측한다.
• 근데, 문제점: class 불균형 - 배경 앵커가 더 많으면?
• 해결책: 새로운 loss function 사용(Focal loss)
• $CE(p_t) = -log(p_t)$
• $FL(p_t) = -(1-p_t)^γ log(p_t)$

YOLO

Single-stage Detector Model : You Only Look Once

• Bounding box 좌표와 Class 확률을 Single regression 문제로 재정의 함.

• 한 셀마다 2개의 Bounding box를 예측한다
  • 즉, 하나의 이미지 당 $S*S*2$ 의 bounding box를 예측하게 됨
    
    
    
    
• 일정 비율 이상 겹치는 bbox는 NMS 알고리즘으로 0으로 만들어줌
  
  
  
  
  
  
  
  

YOLO의 장점

1. Reat-time fast
2. Low background error
3. Generalization resulting

YOLO의 한계점

• 하나의 grid cell에 하나의 class 예측, 여러 개의 작은 object가 근접할 때 문제
• Bbox가 training data를 통해 학습되어 새롭거나 색다른 형태의 bbox를 generalize하기 힘들다(일반적인 비율이 아니라 특별한 비율을 가진 물체 탐지 어려움)
• 여러 layer(다중 downsampling layer)를 통한 특징들로 bbox를 예측하므로 localization 문제 발생

• 같은 오차에도 Bbox에 대해 동일한 비율로 손실을 가져 큰 bbox에는 영향이 크게 없지만 작은 bbox에는 영향이 크다.

특징

• 빠르다: 45fps(빠른 버전은 155fps)
• Reasons global context: 다른 기술과 달리 이미지 전체를 보기 때문에 문맥정 정보를 encode 함
• Generalizable representation
• End-to-end training

Focal Loss

• 어렵거나 오분류 되는 샘플에 초점을 맞춤