[Object Detection] 2. model & evaluation metric

Object Detection models

One-Stage Object Detector

YOLO (You Only Look Once)

• 이전 모델들에 비해 속도가 매우 빠르다
• YOLOv1, YOLOv2, v3, v5, YOLOR
• backbone : GoogLenet, Darknet19, Darknet53

SSD (Single Shot Detector)

• 중간중간의 feature map을 모두 사용한다
• backbone : VGG-16

Two-Stage Object Detector

• one-stage 보다 속도는 느리지만 정확도는 높다

RCNN

step 1. region proposal

• object가 있을 법한 곳을 2000개 정도 후보로 뽑는다
• selective search라는 rule base 방법으로 region을 뽑는다
• 그러다보니 연산량이 많다(느리다)
• 뽑은 2000개의 proposal을 227x227로 resize

step 2. bounding box regression과 class SVM 수행

Fast-RCNN

• CNN 모델을 거쳐 region proposal 수행
• ROI pooling을 통해 원하는 feature map size로 조정 (RCNN의 resize 대신 수행) -> 연산량이 줄어든다
• softmax regression 사용 (not SVM)
• bounding box regression

Faster-RCNN

• selective search 방법을 사용한 것이 아니라 RPN(Region Proposal Network)을 통해 region proposal 수행
• fc layer 수행

---

Evaluation Metric

• 성능 판단 기준
• TP : 옳은 검출
• FP : 틀린 검출
• TN : 검출되면 안되는데 검출이 안된것
• FN : 검출되면 안되는데 검출이 된것

• IoU를 기준으로 bbox가 검출되었는지 안되었는지 확인

Precision (정밀도)

• $Precision = \frac{tp}{tp + fp}$
• 내가 예측한 bbox 중에 정답으로 예측한 bbox

Recall (재현율)

• $Recall = \frac{tp}{tp + fn}$
• 전체 GT 중에 검출한 bbox의 비율

F1 score

• $F_1 = 2 × \frac{Precision × Recall}{Precision + Recall}$
• precision과 recall의 조화평균

recall과 precision의 관계

• high recall + high precision : perfect
• low recall + high precision : bbox를 몇개 검출하지 못한것
• high recall + low precision : GT는 잘 검출하였지만 class 예측을 잘 못한것
• low recall + low precision : poor

PR Curve

• precision-recall 곡선
• precision이 1에 가까운 곡선이 좋다

mAP

• Mean Average Precision
• PR curve의 면적
• 전체 class에 대한

confusion matrix

• TP와 FP
• class 간의 혼동되는 부분을 확인하 수 있다