hye-log

⚽ 개별학습 [7] Advanced Object Detection 1 1. Cascade RCNN 1) Contribution (1) Faster-RCNN - 입력 image를 ConvNet에 통과시킨 뒤 feature map을 생성 - RPN을 통해서 나온 Region proposal을 feature map에 projection 하여 RoI를 뽑아냄 - RoI pooling을 통해서 고정된 feature vector로 최종적으로 RoI가 어떤 object인지, 어디에 있는지 classification 가능 - 학습해야 하는 Network : backbone(ConvNet) -> Region Proposal Network(RPN) -> Head Network - RPN : 0.7 이상의 IoU를 Posi..

🌿 개별학습 [5] 1 Stage Detectors 1. 1 Stage Detectors 1) Background (1) 2 Stage Detectors - RCNN, FastRCNN, SPPNet, FasterRCNN, ... - Localization(후보 영역 찾기) -> Classification(후보 영역에 대한 분류) - 속도가 느림 -> real world에서 사용하기 어려움 (2) 1 Stage Detectors - Yolo, SSD, RetinaNet, ... - Localization & Classification 동시에 진행 - 전체 이미지에 대해 특징 추출, 객체 검출이 이루어짐 -> 객체에 대한 맥락적 이해가 높음 - 속도가 빠름 (real-time detection) 2) His..

🌿 개별학습 [4] Neck 1. Neck 1) Overview (1) 구조 - input이 주어지고, backbone을 통과하면, 가장 마지막 feature map으로 RPN(Region Proposal Network)를 진행함 - backbone의 다른 feature map을 활용할 수는 없을까? (2) Neck이 필요한 이유 - 다양한 크기의 객체를 더 잘 탐지하기 위해서 - low level feature : semantic 약함, localization 강함 high level feature : sematic 강함, localization 약함 2) Feature Pyramid Network(FPN) (1) backbone의 low level feature부터 high level feature까..

🌿 개별학습 [3] Object Detection Library 1. Object Detection 라이브러리 1) MMDetection - 전체 프레임워크를 모듈 단위로 분리해 관리할 수 있음 - 많은 프레임워크를 지원함 - 다른 라이브러리에 비해 빠름 - Fast R-CNN, SSD, YOLO v3, DETR 등 2) Detectron2 - 전체 프레임워크를 모듈 단위로 분리해 관리할 수 있음 - OD 외에도 Segmentation, Pose estimation 등의 알고리즘을 지원함 - Faster R-CNN, RetinaNet, Mask R-CNN, DETR 등 2. MMDetection 1) Pytorch 기반의 Object Detection 오픈소스 라이브러리 2) Pipeline - Inpu..

🌿 개별학습 [2] 2 Stage Detectors 1. Object Detection 접근 전략 1) input 이미지를 보고 2) 계산한 후 3) 객체가 있을 법한 위치를 추정하고 4) 객체를 분류함 2. R-CNN 1) Overview - 입력 이미지가 주어지면, - 후보 영역(Region proposal)을 뽑아냄(Sliding Window, Selective Search) - 고정된 크기로 바꾼 다음 CNN feature를 뽑아냄 - 객체를 예측함 2) Pipeline (1) 입력 이미지 받기 (2) Selective Search를 통해 약 2000개의 RoI(Region of Interest) 추출 (3) RoI를 모두 동일한 사이즈로 warping - CNN의 마지막인 FC layer의 입력..