😏:Yolo

객체탐지

two-stage detector

프로세스

입력이미지 -> 영역제안 -> 분류

영역제안

• 객체가 존재할 가능성이 있는 영역. 즉, 후보 영역을 추출

• 후보영역은 수백에서 수천 개

분류

• 첫번쨰 단계에서 추출한 후보 영역 각각을 딥러닝 모델에 입력으로 제공

장점

• 높은 정확도 달성

단점

• 속도가 상대적으로 느리다.

one-stage detector

이미지를 한 번만 처리하여 객채의 위치와 해당 객체의 클래스를 동시에 예측.
YOLO(You Only Look Once)가 대표적

프로세스

입력이미지 -> 특징추출 -> 특징맻 생성

YOLO의 특징

기존의 two-stage detector는 일단 영역 제안을 받고, 해당 부분에 대한 특징 정보만 보고 추출하는 방식.
이러한 방식은 객체 주변의 정보들을 무시하게 되고 3차원의 정보를 2차원으로 투영한 이미지는 주변의 정보를 탐지하지 않고 객체만 보기 때문에 이미지 전체 맥락에 대한 이해도가 낮을 수 밖에 없음 -> background error가 높다
반면, YOLO는 이미지 전체의 특징을 한 번에 추출하기 때문에 이미지 전체 맥락에 대한 이해가 높고 background error가 낮으며, 이미지 전체를 보면서 객체의 일반화 된 특징을 학습하기 때문에 실제 사진을 가지고 학습을 진행해도 만화책이나 책의 삽화에 등장하는 사람들을 이해하고 탐지할 수 있는 특징.
하지만 단점은 전체를 한 번에 보는 특징 때문에 작은 객체들은 상대적으로 잘 탐지 못하는 단점.

이미지 내에 고양이가 있을 떄, 그 고양의 중심이 특정 그리드 셀 내에 위치한다고 가정해보겠습니다. 해당 그리드 셀은 고양이를 탐지하려고 여러 개의 바운딩 박스를 예측합니다. 각 바운딩 박스에는 위에서 정의한 신뢰도 점수가 부여됩니다. 만약 예측된 경계 상자가 고양이의 실체 위치와 매우 일치한다면 IoU값은 1에 가까울 것이고, 따라서 신뢰도 점수도 높아질 것입니다. 그러나 만약 그리드 셀 내에 아무런 객체가 없다면, Pr(Object)는 0이 되므로 신뢰도 점수도 0입니다.

• 네트워크 디자인