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 ..
AlexNet과 VGG Net을 통해 더 깊은 네트워크가 더 좋은 성능을 보여준다는것을 확인했다. 하지만 더 깊이 쌓을수록 Gradient vanishing/exploding 현상이 발생한다. 과거에는 모델의 표현력이 과하게 좋아져서 Overfitting이 발생할 것이다 라고 예측했지만, Degradation problem이라는 걸로 확인됐다 1. Google Net 구글넷은 레이어를 깊게 쌓는게 아니라 같은 레벨에서 다양하게 쌓는 구조 1X1 Conv를 통해 데이터를 압축해서 계산해야하는 양을 줄였다. 1X1 Convolution 필터의 수만큼 출력채널이 생성된다 공간 크기는 변하지 않고 채널의 수만 변한다 구글넷은 depth가 깊어서 Gradient vanishing 현상이 발생하기 때문에 Outpu..
8. pre-trained 모델 다운로드 Object Detection zoo에서 다운받으시면 됩니다. 저는 EfficientDet D0 512x512을 다운받겠습니다. object_detection 폴더에서 압축을 해제합니다. 9. pre-trained 모델 config 수정 object_detection/configs/tf2 경로에 있는 ssd_efficientdet_d0_512x512_coco17_tpu-8.config 파일을 복사해서 images 폴더에 붙여넣기 해줍니다. 방금 복사한 파일을 images 폴더에서 편집합니다. 1. num_classes -> 원하는 Object Detection 클래스 수 model { ssd { inplace_batchnorm_update: true freeze_..
