Object Detection3 RetinaNet Focal Loss for Dense Object Detection arxiv.org/pdf/1708.02002.pdf RetinaNet 복습한 것. 리뷰에 개인 프로젝트에 대한 이야기를 많이 들어가 있다. 지난 OD 모델들은 두 가지로 나뉜다. 1stage 모델과 2stage 모델. 1stage모델은 가능한 location들의 dense sampling을 통해 보다 빠르고, 단순한 모델이며, 2stage모델은 candidate object location의 sparse set에 classifier를 부착하여 보다 정확성을 챙긴 모델이다. 그렇다면 왜 1stage로는 2stage만큼의 정확성을 얻을 수 없을까. retinanet은 여기에 집중하여, 문제점을 찾아 고치려 한 논문이다. 2stage의 경우 .. 2021. 3. 10. 1-stage Object Detection Model (Yolo ~ Yolov3) 1 stage Object Detection 모델 정리하는 곳. (~2018) (1) Yolo https://arxiv.org/pdf/1506.02640.pdf 1stage 모델의 시작, YOLO(You Only Look Once)다. 이전까지 R-CNN의 variation으로 진화되오던 OD는, 2 stage 모델이어서 속도가 느려 real-time에선 object detection에 한계가 있었다. YOLO는 이러한 2stage OD의 구조를 깨고, 하나의 stage만으로 task를 가능케 하였다. 어느정도의 정확도를 조금 포기하고, 대신 빠른 속도를 얻은 것이다. 최초의 YOLO의 구조는 다음과 같다. 기존의 2-stage 모델은 Region Proposal 단계, Classification/Reg.. 2021. 3. 10. 2-stage Object Detection Model (R-CNN ~ FrRCNN) 2-stage Object detection을 위해 나온 모델들을 정리하는 곳. 비교적 간단히만 요약할 듯. 오래된 모델이 많아서 (1) R-CNN https://arxiv.org/pdf/1311.2524.pdf 가장 처음에 제안된 R-CNN은 2-stage OD의 첫 모델이다. (1 stage) image로 부터 Selective Search 알고리즘을 통해 RoI(Region of Interest)를 뽑아내어 (수치론 2000개) (2 stage) ConvNet을 통해 각 RoI의 feature를 뽑아, reg/cls를 진행하는 모델이다. 여기서 Selective Search란, 기존 window sliding을 보완한 알고리즘인데, non-object segmentation(색깔, 크기 등)을 통해.. 2021. 3. 10. 이전 1 다음
