[P_stage] - week9 Day4

[Day4] 2021/09/30

강의 리뷰

Object Det 5강 - 1 stage Detectors

• localization과 classification을 순차적으로 수행하는 2 stage detecotr는 속도가 느리다는 점에서 real world에서 응요하기 어렵기 때문에 1 stage detector가 등장했다. 따로 rpn없이 feature map에서 객체를 뽑아낸다. ex) YOLO,SSD,RetinaNet...

• YOLO v1

  • region proposal 없이 전체적인 맥락적 이해.
  • Pipeline
    - GoogLeNet 변형: 24개의 conv(특징 추출), 2개의 fully connected layer(box의 좌푝밧과 확률계산)
    
    - SS그리드 영역으로 나누고, 각 그리드마다 B개의 bbox와 confidence score계산. confidence = Pr(object) IOU(truth,pred)
    - 각 그리드 영역마다 C개의 class에 대한 확률을 계산
    - output: 7730, 한 그리의 채널 30개 => 5개 첫bbox의 정보(x,y,w,h,c), 5개의 두번째 bbox의 정보, 20개의 class.
    - loss = localization loss + confidence loss + classification loss
  • 빠르고 정확한 성능.

• SSD

  • yolo는 그리드보다 작은 객체를 검출할 수 업고 마지막 feature만 사용해서 정확도가 하락.
    
  • Extra conv들의 feature map을 모두 detection 수행: 6개의 서로 다른 scale의 feature map(큰 것은 작은 물체 탐지, 작은 것은 큰 물체 탐지)
  • Fully connected layer대신 conv만 써서 속도 향상.
  • Default box사용(Anchor box)
  • Pipeline
    - VGG-16 + Extra conv(6개), input: 300300
    - Multi-scale feature maps: C = N(bbox) (offsets +N(c)), 정보 4개 + 클래스(배경포함) 21개.
    
    - output: n * n * (#default_box * (offset + #class) )
  • Training
    - Hard negative mining 수행
    - Non maximum suppression 수행
    - loss = localization loss(smooth L1) + classification loss(softmax)

• Yolo v2

  • 더 정확하고 빠르며 더 많은 예측.
  • batch normalization추가
  • high resolution classifier: 224224->448448
  • convolution with anchor boxes: fully connected layer제거, K means cluster on COCO datasets(5개의 anchor box)
  • Fine-grained features: 크기가 작은 feature map은 low level이 부족하기 때문에 Early stage feature map을 합쳐주는 passthrough layer도입
  • Multi-scale training: {320.352,...,608}
  • Darknet-19: fully connected layer제거, 3*3conv추가
  • WordTree 구성.
  • ImageNet(detection) : COCO(classification) = 4:1

• YOLO v3

  • Darknet-53
  • Max pooling제거, conv stride 2
  • Multi-scale feature map: 5252, 2626, 13*13

• RetinaNet

  • 1 stage detector는 RPN이 없이 그리드를 나누기 때문에 background를 포함할 수 있음.
  • facal loss: cross entropy loss + scaling factor, 쉬운 예제에 작은 가중치, 어려운 예제에 큰 가중치.