[DEEPNOID 원포인트레슨]_7_Object Detection 2

220127 작성

<본 블로그는 DEEPNOID 원포인트레슨을 참고해서 공부하며 작성하였습니다>

https://www.deepnoid.com/

인공지능 | Deepnoid

 

 

 

 

 

1. Classification

1) Classification

: feature Extractor -> classifier

 

2) Object Detection 

 

3) Instance Segmentation

: Semantic VS Instance Segmentation

: input -> pixelwise classification -> probability map -> threshold

 

 

 

 

 

2. One stage VS Multi Stage Detection

1) One stage

Feature Extraction -> Region proposal -> Classifiction -> Box Regression -> semantic, Instance Segmentation

 

 

 

2) YOLO, SSD

Feature Extraction -> Classifiction -> Box Regression

yolo

SSD

=> Yolo는 7x7 grid 하나

=> SSD는 전체 이미지를 38x38, 19x19, 10x10, 5x5, 3x3, 1x1의 그리드로 나누고 output과 연결

 

 

 

 

 

3. Comparision

- Multi Stage

: Backbone Network 로 추출한 Feature 를 각각의 목적에 맞는 작은 신경망으로 class scoring, box coordinate 따로 획득

: Object 검출 성능, class 분류 뛰어남

 

- One Stage

: Backbone Network 로 추출한 Feature 를 각각의 목적에 맞는 작은 신경망으로 class scoring, box coordinate 한번에 획득

: Object 검출 성능, class 분류 상대적으로 떨어짐

 

 

 

 

 

4. YOLO, You Only Look Once

• yolo v1

: Localization, Classification 을 하나의 Regression problem 으로 해석

: MMS로 각 ROI의 Box 를 중복 제거 후 후처리를 통한 score 획득

: 각 Grid 별로 obejct class probablity 를 계산

: 찾아낸 Box 들의 중심점 좌표, 높낮이, class socre을 통해 ground truth와 prediction 간의 차이를 계산하도록 손실 함수 구성하고 이를 minimize

: 손실함수는 sum of squared error, 오차 제곱합(SSE) 이용

: BOX에 object 없으면 confidence 가 0이 되도록 penalty 부여!

 

•  yolo v2

: Batch Normalization, 모든 conv layer 뒤에 BN 결합, 별도의 Regularizer 다 제거

: High Resolution Classifier, feature mpa 을 grid 로 사용하기 때문에 고해상도 피처맵 획득

: 입력 이미지를 416*416 로 한다

-> object 중심점을 gird 상에서 잘 찾아내기 우해

-> 대부분 데이터는 영상의 중앙에 object 위치

 

: Convolution with Anchor Box

: Dimension Clustering

: Object Detection Task 에서 Recall 의미

-> 실제 obejct의 위치를 예측한 비율이 높음 의미

 

: Fine-Grained Feature

-> 최종 feature map 크기 13*13은 큰 obejct 검출엔 충분하지만 작은 object 검출엔 불충분

-> 26*26*512 => 13*13*2048 => stacking => 13*13*3072

 

: VGGNet 의 3*3 filter 사용

 

 

•  yolo v3

: feature pyramid Network

 

•  yolo v4

: 높은 정확도와 빠른 Detectin 속도 확보

 

 

 

 

5. Single-shot Detector

: 작은 object 정확하게 검출

: 다양한 scale의 feature map을 획득하기 위해 보조 신경망 사용

: 서로 다른 scale의 feature map 별로 각각 다른 형태 anchor box 사용

: YOLO v1 단점은 최종 feature map 만으로 grid 구성해서 사용