총 10개의 trash label을 대상으로 objectdetection 수행 프로젝트에 사용된 기술 mmdetection lib 진행 요약 1주차 이번 대회때 live template을 구성하고 싶은 마음에 팀원들이 사용할 template을 만들어봤다. 해당 template을 customize하여 구성했다. https://github.com/victoresque/pytorch-template GitHub - victoresque/pytorch-template: PyTorch deep learning projects made easy. PyTorch deep learning projects made easy. Contribute to victoresque/pytorch-template developmen..
이전에 배운 내용중 반드시 이해하고 넘어가야할 부분 1. mAP 2. FasterRCNN 3. MMDetection, Detectron2 4. FPN, PANet 5. Yolo, SSD, RetinaNet 6. EfficientDet Bounding box의 오해 시각화의 문제는 threshold에 있다. 우측은 모든 boundingbox를 시각화한거고 왼쪽은 일정 threshold를 거쳐 나온 box만 시각화한것 더 많은 bbox를 예측하면 AP의 면적이늘어나기때문에 오히려 mAP에서 강점을 가짐 AP를 높이는것에 초점을 맞춘다면 박스 수가 늘어나면 더 높은 AP를 기대할 수 있다 앙상블하게되면 두개의 모델이 예측한 결과를 합치는 것이기 때문에 박스의 수가 그만큼 많아지고 threshold로 거르게 되..
1. YOLO v4 1.1 Overview Background • Object Detection에서 사용하는 최신 방법들을 소개 및 실험 • Object Detection model을 디자인하거나 향상 할 수 있는 아이디어 다양 • 최신 Detection에서 정확도는 크게 향상시켰지만, 많은 양의 GPU를 필요 • 실시간 요구하는 task에 부적합 • Ex) 자율주행 • 다른 detector들 보다 빠르면서 정확도가 높음 => 빠르면서 정확도가 높은 detector가 요구되고있음 Contribution • 하나의 GPU에서 훈련할 수 있는 빠르고 정확한 Object detector • BOF, BOS 방법들을 실험을 통해서 증명하고 조합을 찾음 • BOF (Bag of Freebies) : inferen..
1. Cascade RCNN 1.1 Contribution Faster RCNN을 training할 때 positive와 negative를 나누는 기준의 threshold가 0.5였는데 0.5에 대한 background는 아무런 근거가 없었다 그래서 이를 바꿔서 학습해보는 연구가 시행됨 -> Input IoU가 높을수록 높은 IoU threshold에서 학습된 model이 더 좋은 결과를 냄 - IoU threshold에 따라 다르게 학습되었을 때 결과가 다름 - 전반적인 AP의 경우 IoU threshold 0.5로 학습된 model이 성능이 가장 좋음 - 그러나 AP의 IoU threshold가 높아질수록 (ex. AP70, AP90) IoU threshold가 0.6, 0.7로 학습된 model의 ..
1. Efficient in Object Detection 1.1 Model Scaling 일반적으로 모델의 크기를 키울수록 성능이 증가하는 경향이 있다. a) 기본 베이스라인 b) 채널을 크게 주는 방법 - 네트워크의 깊이를 스케일링하는 방법은 많은 ConvNet 에서 쓰이는 방법 - DenseNet, Inception-v4 - 깊은 ConvNet은 더 풍부하고 복잡한 특징들을 잡아낼 수 있고, 새로운 태스크에도 잘 일반화됨 - 하지만 깊은 네트워크는 gradient vanishing 문제가 있어 학습이 어려움 c) 깊게 쌓는방법 d) 인풋 이미지를 크게 사용한 방법 - 고화질의 input 이미지를 이용하면 ConvNet은 미세한 패턴을 잘 잡아낼 수 있음 - 최근 Gpipe는 480x480 이미지를 ..
1 stage Detectors 1.1 Background 2Stage Detector는 Localization과 Classification을 하기때문에 realtime으로 활용이 불가능하다 1 Stage Detector 특징 - Localization, Classification이 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 낮음 - YOLO, SSD, RetinaNet 등이 있음 1.2 History 2. YOLO v1 2.1 Overview YOLO Version - YO..
1. Neck 1.1 Overview 기존 RPN은 backbone network를 통과한 마지막 layer만 사용했다. 하지만 연구자들은 "왜 마지막 layer만 사용해야하지? 중간의 layer는 사용하면 안되나?" 라는 의문점을 통해 NECK이 나타났다. 그래서 중간에 있는 feature들도 사용 1) Neck이 필요한 이유 backbone을 통과한 피쳐맵에서 다양한 크기의 객체를 예측해야한다. 그래서 여러 크기의 피쳐맵에서 다양한 객체를 예측할수있게된다. 큰피쳐맵일수록 작은 범위를본다. 작은 피쳐맵일수록 큰 범위를본다. 작은 피쳐맵은 low level에서 등장한 피쳐맵이다 최종레벨의 featuremap만 사용하게된다면 작은 객체를 포착할 수 없게된다. * High level ( 많은 conv를 거쳐..
