Object Det 6강 : 1 stage Detectors
1. Scaling up in CNN
- 모델의 성능을 향상시키기 위해서는 주로 width/depth/image resolution을 키움
-
Width Wcaling으로는 WRN(Wide Residual Network) 등이 있음
-
주로 작은 모델에서 사용되며, 미세한 특징을 잘 잡아내면서 학습도 쉬움
-
but, 너무 얕은 모델의 경우 high-level 특징 포착이 어려움
-
Depth Scaling으로는 ResNet 등이 있음
-
많은 ConvNet에서 쓰이며 복잡한 특징들을 잘 잡아내고 일반화 성능이 우수
-
but, gradient vanishing 문제 발생해 학습이 어려움
- Resoulution Scaling은 고화질의 input 이미지를 사용해 미세한 패턴 포착에 용이
2.EfficientNet
-
모델들의 파라미터 수가 점점 많아짐에 따라 정확도는 올라가지만 연산 속도는 느려지는 상황
-
model scaling으로 모델의 정확도와 효율성을 모두 달성하려 함
-
실험 결과, 네트워크의 폭/깊이/해상도를 키우면 정확도가 향상되지만, 그 정도는 점차 감소함
-
또한, 더 나은 정확도와 효율성을 위해 세 가지 scale 요소의 균형을 잘 맞춰줘야 함
- 다양한 실험 결과 최적의 scale factor 찾음
3. EfficientDet
-
Object Detection task는 자율주행차량이나 실시간 위험 감지 등에 쓰이기 때문에 특히나 속도가 중요함
-
1 stage model이나 anchor free model의 경우 속도는 빠르지만 정확도가 낮다는 문제가 있음
3-1. Efficient multi-scale feature fusion
-
multi-scale feature fusion을 위해 기존의 Neck과 달리 단순합이 아니라 학습가능한 웨이트를 두는
Weighted Feature Fusion을 사용하는 BiFPN(bi-directional feature pyramid network) 제안 -
하나의 간선을 가진 노드는 제거하고, output 노드에 input 노드 간선을 추가함
-
하나의 block을 feature layer로 취급하여 반복적으로 사용
3-2. Model Scaling
-
EfficientNet과 같은 compound scaling 방식을 제안
-
EfficientNet B0 ~ B6을 backbone으로 사용
