AI 시각지능 딥러닝 4일차

• Object Detection

-data set

• PASCAL VOC
• Image Net
• COCO

-Model 

• 투스테이지 Object Detection : Many stage라고 적혀있는 방법에서는 object가 있을 법한 위치의 후보(proposals) 들을 뽑아내는 단계, 이후 실제로 object가 있는지를 Classification과 정확한 바운딩 박스를 구하는 Regression을 수행하는 단계가 분리되어 있는 방법  ex)R-CNN

 

• 원스테이지 Object Detection : 객체의 검출과 분류, 그리고 바운딩 박스 regression을 한 번에 하는 방법입니다. (속도 향상, 정확성이 낮아졌다.) ex)YOLO

 ->But 많이 발전해서 주로 이걸 씀

 

 -알아둬야 할 지식

• NMS(non-max suppression) : 대다수의 object detection algorithm은 object가 존재하는 위치 주변에 여러개의 score가 높은 bounding box를 만든다는 문제점이 있습니다. 이 중 하나의 bounding box만을 선택해야 하는데, 이때 적용하는 기법이 non-max suppression 입니다

-요약

1. object가 있다고 판단되는 박스를 모두 그림 
2. confidence-thres 보다 스코어가 높은 박스만 남김 
3. 박스 중 confidence score가 가장 높은 박스를 선정 
4. 나머지 모든 박스와 IoU값을 계산하여 iou-thres보다 높은 박스를 제거
5. 모든 클래스에 적용

 

-iou(Intersection Over Union) : 두 박스의 중복 영역 크기를 통해 평가 -> 겹치는 영역이 넓을수록 좋은 예측 

(0~1 사이의 값을 가짐 -> 값이 클수록 좋은 예측)

 

• Object Detection Metrics: bounding box에 object가 있나 없나 확신하는 정도

	Predicted Class
True Class	True Positive(TP) 실제 object를 object라 예측 -> iou >= threshole	False Negative(FN) object아닌데 object라 예측 -> iou< threshole
	False Positive(FP) 실제 object를 아니라고 예측 -> 모델이 탐지 못함	True Negative(TN) object아닌데 아니라고 예측 -> 모델이 탐지하지 않음

정밀도(precision): 모델이 object라 예측한 것 중 실제 object의 비율

:TP/(TP+FP)

재현율(recall): 실제 object 중 모델이 예측하여 맞춘 object의 비율

:TP/(TP+FN)

 

 

일단 이정도만 하자...ㅎ

와 진짜 이론이 어려워진다ㅜ

그래도 자츰자츰 따라 가는 것 같아서 내 자신이 대견스럽기도 하고 암튼 그렇다...ㅎ

힘내자!

오늘 쭉심 먹는다.