Data Science LAB

Object Detection은 통합된 라이브러리가 없어서 실무나 캐글에서는 주로 MMDetection이나 Detectron2를 사용함 MMDetection Detectron2 특징 - 전체 프레임워크를 모듈 단위로 분리해 관리할 수 있음 - 많은 데이터 프레임워크 지원 - 다른 라이브러리에 비해 빠른 편 - 전체 프레임워크를 모듈 단위로 분리해 관리할 수 있음 - OD외에 Segmentation이나 Pose prediction등의 알고리즘 지원 지원 모델 Fast R-CNN, SSD, YOLO v3, DETR 등 Faster R-CNN, RetinaNet, Mask R-CNN, DETR 등 Detectron 2 https://github.com/facebookresearch/detectron2 GitH..

2 stage detector는 localizatin과 classification을 모두 해야 학습이 진행되기 때문에 속도가 매우 느리다는 단점 때문에 1 stage detector가 등장하게 되었다. 1 stage detectors - localization, classification 동시에 진행 - 전체 이미지에 대해 특징 추출, 객체 검출이 이루어짐 -> 간단하고 쉬운 디자인 - 속도가 매우 빠름 (Real-time detection) - 영역을 추출하지 않고 전체 이미지를 보기 때문에 객체에 대한 맥락적 이해가 높음 (Background error가 적음) YOLO YOLO v1 : 하나의 이미지의 Bbox와 classification 동시에 예측하는 1 stage detector 등장 YOLO..

본 포스팅은 Naver Boostcamp AI Tech 5기 Object Detection 강의 자료를 바탕으로 작성되었습니다. Neck 등장 배경 기존의 RPN은 backbone network를 통과한 마지막 feature map만 사용하여 RPN을 통한 ROI를 추출하였다. -> 중간에 있는 feature들을 사용하기 위해 Neck 등장 - feature map 은 low level(큰 feature map)은 작은 객체를, high level (작은 feature map)은 큰 객체를 추출함 (high level에서는 semantic 정보가 풍부하지만 localization 정보가 부족, low level에서는 localization 정보가 풍부하지만 sementic 정보가 부족) - Back bo..

본 포스팅은 Naver Boostcamp AI Tech 5기 Object Detection 강의 자료를 바탕으로 작성되었습니다. 0. Overview Object Detection은 크게 One-stage Detector과 Two-stage Detector로 분류된다. Two - Stage Detector은 사람의 객체 인식 방법과 유사하다. 큰 흐름은 객체가 있을 법한 위치 -> 해당 객체가 무엇인지 예측 1. R-CNN Object Detection 분야에 딥러닝을 최초로 적용시킨 모델이며 여러 모델의 기준이 되는 중요한 모델 객체 위치 예측 + 클래스 판별 Process 1) 입력이미지 받음 2) Selective Search를 통해 약 2000개의 ROI (Region of interest) 추출..

본 포스팅은 Naver Boostcamp AI Tech 5기 Object Detection 강의 자료를 바탕으로 작성되었습니다. 0. Object Detection이란 한 물체 (single object)가 아닌 여러 물체에 대해 어떤 물체인지 클레스를 분류하는 classification 문제와 그 물체가 어디에 있는지를 Bounding box를 통해 위치 정보를 나타내는 Localization 문제를 모두 포함한다. 1. History 2. Evaluation : Object Detection에서의 정확도 측정은 Ground Truth와 Prediction간의 비교를 통해 이루어짐 이미지 내에 객체가 어디에 존재하는 지 bounding box로 찾고, 찾은 위치에 해당하는 박스 내부의 객체가 실제 GT..

0.Abstract 역대 ILSVRC 대회 결과를 보면 depth가 모델의 성능에 큰 영향을 준다는 것을 알 수 있음 depth 증가 시 발생하는 문제 점 : overfitting, gradient 소실, 연산량 증가 residual learning framework를 통해 문제 해결 → 오차를 3.75%까지 줄임 residual learning framework : 이전 layer의 결과를 다시 이용함 1. Introduction 모델의 layer수가 증가할 수록 학습할 수 있는 Feature가 달라짐 → 깊이는 중요한 요소 “Layer를 깊게 쌓을 수록 항상 좋은 성능을 보이는가?” 두 가지 문제점 존재 Convergence Problem vanishing/exploding gradients 로부터 ..