Computer Vision/Object Detection4 YOLO(You Only Look Once) YOLO등장 배경 Object detection 과제는 최근 자율주행자동차 등에 활용되면서 정확도 뿐만 아니라 신속성이 중요되어지고 있는 추세입니다. 그러나 RCNN계열의 모델들은 일정 수준의 정확성은 있으나, 실제 적용하기에 신속성이 떨어지는 문제가 있습니다. (혹시, RCNN에 대해 알고싶으시다면2021.04.25 - [Computer Vision/Object Detection] - RCNN(Regions with CNN읽고 오시는 거 추천드립니다.ㅎㅎ) 근래에는 일정한 수준의 정확성을 유지하면서 Object detection의 속도를 높이려는 여러 신경만들이 개발되고 있습니다. 아래의 그림은 근래 Object detection 근본 모델들의 성능을 비교한 그래프입니다. 여기서 mAP는 precisi.. 2022. 8. 24. Fast/Faster RCNN 한눈에 비교 이 글을 읽기 전에,2021.04.25 - [Computer Vision/Object Detection] - RCNN(Regions with CNN)을 읽어오시면 더 쉽게 이해할 수 있습니다 ㅎㅎ 2-stage object detection 모델의 시초가 되는 RCNN의 문제점을 나열하자면 다음과 같습니다. CNN, Bounding Box Regression, SVM세가지 모델을 end-to-end로 학습시키지 않고 따로따로 학습을 진행하므로 SVM과 Regression의 결과가 CNN의 학습에 반영되지 않습니다. Region proposal로 추출된 약 2000개의 영역에 대해서 각각 CNN을 통과시켜야 하므로 매우 긴 연산시간을 요구합니다. Selective search를 CPU로 연산하여 계산 효율.. 2022. 8. 23. FCOS(Fully Convolutional One-Stage Detector) Abstract 이 논문에서 object detection 문제를 풀기 위해서 segmentation과 같은 per-pixel prediction를 이용하는 fully convolutional one-stage object detector를 제안합니다. Fcos는 anchor box free라는 특징을 가집니다 → complicated computation X, anchor-box X, hyperparameter X Introduction 주로 objetct detection의 mainstream인 one-stage or two-stage architecture들은 anchor-box를 이용하는게 대다수입니다.→ Retinanet, SSD, Faster R-CNN, YOLOv3….. 이러한 anchor-.. 2022. 8. 21. RCNN(Regions with CNN) RCNN는 2-stage object detection RCNN 계열 (RCNN, Fast RCNN, Faster RCNN)의 시초 모델입니다. 2-Stage 첫번째, Object의 위치를 찾아내는 것.(Region Proposal) 두번째, Object의 클래스를 분류하는 것(Region Classification) 수행 프로세스 1. Region Proposal 알고리즘을 사용하여 약 2000개의 Region 영역을 제안합니다. 2. CNN 네트워크에 입력하기 위해 동일한 사이즈의 입력 이미지가 필요하기에, Image crop(이미지 자르기)과 wrap(이미지 찌그러트림)를 사용하여 입력 이미지 사이즈를 맞춰줍니다. 3. CNN 네트워크로 feature를 추출하여 Region에 대하여 각각 어떤 클래.. 2021. 4. 25. 이전 1 다음
