[2021.09.27] Object Detection Overview

💡 Object Detection Task에는 어떤 라이브러리가 쓰이는지, 학습된 모델들은 어떤 Metric을 통해 평가되는지 등

Task

	Classification	Object Detection	Semantic Segmentation	Instance Segmentation
Task	해당 이미지 무엇인지	객체 식별 - 어디 있는지 - 무엇인지	객체의 영역 구분	객체 영역 구분
특징	이미지마다 정답 label 1개	한 이미지 당 여러개 객체	같은 class 객체끼리 구분 X	객체마다 분리

Real world

• 자율주행 자동차
• OCR
• 의료 분야

History

• R-CNN (2013.11) - Fast R-CNN (ICCV 15) - Faster R-CNN (NIPS 15)
• YOLO v1 (CVPR 16)
• SSD (ECCV 16)
• YOLO v2 (CVPR 17)
• FPN (CVPR 17)
• RetinaNet (ICCV 17)
• YOLO v3 (arXiv 18)
• PANet (CVPR 18)
• EfficientDet (CVPR 20)
• Swin-T (CVPR 21)

Evaluation

성능: 얼마나 객체를 잘 검출하는가

mAP (mean average precision): 각 class 당 AP의 평균

Confusion matrix

Precision

Recall

PR Curve

• Confidence 기준 내림차순 정렬한 Precision, Recall table

	Category	Confidence	TP/FP	누적 TP	누적 FP	Precision	Recall
8	Plastic	95%	TP	1	-	1/1=1	1/10=0.1
9	Plastic	90%	TP	2	-	2/2=1	2/10=0.2
7	Plastic	82%	FP	2	1	2/3=0.66	2/10=0.2
		...
4	Plastic	10%	TP	6	4	6/10=0.60	6/10=0.6

• PR Curve 그래프
  

AP

• PR curve의 아랫 면적
• 0~1 사이 값을 갖는 metric
  

mAP (mean Average Precision)

IOU (Intersection Over Union)

• TP / FP 판단 방법
• 어느 정도 겹쳐있는지에 따라서 구분하는 과정
• mAP + IOU 기준 같이 부여 (몇 이상을 TP로 볼 것인가)
  

속도: 얼마나 빠르게 객체를 검출했는가

FPS (Frames Per Second)

FLOPs (Floating Point Operations)

• 연산량 횟수 (곱하기, 더하기, 빼기 등)
• Convolution layer Flops $= C_{in}\times C_{out}\times K\times K\times H_{out}\times W_{out}$
  • Stride, padding 고려한 결과

Library

• MMDetection
• Detectron2
• YOLOv5
• EfficientDet