약초의 숲으로 놀러오세요

이번 포스팅에서는 SSD 논문(SSD: Single Shot MultiBox Detector)을 읽고 정리해봤습니다. RCNN 계열의 2-stage detector는 region proposals와 같은 다양한 view를 모델에 제공하여 높은 정확도를 보여주고 있습니다. 하지만 region proposals를 추출하고 이를 처리하는 과정에서 많은 시간이 걸려 detection 속도가 느리다는 단점이 있습니다. 반면 YOLO v1은 원본 이미지 전체를 통합된 네트워크로 처리하기 때문에 detection 속도가 매우 빠릅니다. 반면 grid cell별로 2개의 bounding box만을 선택하여 상대적으로 적은 view를 모델에 제공하여 정확도가 떨어집니다. 이처럼 일반적으로 정확도와 detection 속도..

이번 포스팅에서는 OHEM(Online Hard Example Mining) 논문(Training Region-based Object Detectors with Online Hard Example Mining)을 리뷰해보도록 하겠습니다. 일반적으로 object detection 시, 배경 영역에 해당하는 region proposals 수가 더 많아 클래스 불균형(class imbalance)가 발생하고, 이러한 문제를 해결하기 위해 Hard Negative Mining 방법을 적용했습니다. 하지만 이로 인해 학습 속도가 느려지고, 성능 향상에 한계가 생기게 됩니다. 이러한 문제를 해결하여 모델의 학습 속도 개선과 성능 향상을 이뤄낸 새로운 bootstrapping 방법인 OHEM을 살펴보도록 하겠습니다...

이번 포스팅에서는 R-CNN 모델을 pytorch를 통해 구현한 코드를 살펴보도록 하겠습니다. 아직 코드 구현에 익숙치 않아 object-detection-algorithm님의 github 저장소에 올라온 R-CNN 모델 구현 코드를 분석했습니다. R-CNN 모델에 대한 설명은 R-CNN 논문 리뷰 포스팅을 참고하시기 바랍니다. 먼저 object-detection-algorithm(이하 oda)님은 PASCAL VOC 2007 데이터셋의 여러 class 중 "car"에 해당하는 데이터만을 추출하여 사용합니다. 전체 데이터셋을 다 사용할 경우 많은 시간이 걸리기 때문에 특정 class만 추출해서 사용하는 것 같습니다. R-CNN 모델은 fine tuned AlexNet, linear SVM, Boundin..

이번 포스팅부터는 본격적으로 Object Detection 모델에 대해 살펴보도록 하겠습니다. 어떤 논문을, 어떤 순서에 따라 읽어야할지 고민하던 중, hoya님이 작성하신 2014~2019년도까지의 Object Detection 논문 추천 목록을 보게 되었습니다. hoya님의 개인적인 의견으로는 빨간색 글씨로 써진 모델의 논문은 "반드시" 읽어야하며, 나머지는 시간 있을 때 읽어보면 좋다고 말씀하셨습니다. 저는 빨간색 글씨로 써진 모델부터 차근차근 논문을 읽어볼 계획입니다😤. 이번 포스팅에서는 첫 번째로 R-CNN 논문(Rich feature hierarchies for accurate object detection and semantic segmentation)을 읽고 정리해봤습니다. R-CNN(Re..