티스토리

단순하게

검색하기

블로그 홈

단순하게

talktato.tistory.com/m

공부 기록

구독자: 5

방명록 방문하기

주요 글 목록

[논문 리뷰] FCOS: Fully Convolutional One-Stage Object Detection (2019) 나의 정리 논문이 지적한 문제점: 기존의 anchor 기반의 detector들은 사전 정의된 anchor를 사용하므로 섬세하고 많은 parameter tuning이 있어야 하고 계산량이 많이 들어가게 된다. 또한 Fully convolution이 아니기 때문에 다양하게 활용할 수 없다. 해결 방안: anchor-free 모델을 고안하였다. 이를 통해 계산량을 줄였고 design을 좀 더 간단하게 할 수 있게 하였다. 또한 x, y가 object의 bbox 안에만 있고 class가 같다면 positive sample로 사용하여서 기존의 anchor 기반의 모델들보다 더 많은 양의 positive sample을 사용하는 장점을 통해 성능 개선을 하였다. 두 객체가 겹쳐져 있어서 어떤 객체로 regressio.. 공감수 1 댓글수 0 2022. 8. 1.
[논문 리뷰] CenterNet: Keypoint Triplets for Object Detection (2019) 나의 정리 논문이 지적한 문제점: a pair of corner를 이용하여 detection을 하면 내부의 visual pattern을 사용하지 않아서 부정확한 BBox를 너무 많이 생성하게 된다. 해결 방안: 한 쌍의 Corner와 Center keypoint 총 세 개의 triplet keypoint를 사용하여 detection하여서 bbox 내부 visual pattern을 사용하여 불필요한 bbox를 제거했다. 주요 module 2가지 Cascade corner pooling 기존 corner는 객체 밖에 존재할 확률이 높아 local feature가 부족할 수 있고 외곽 정보에만 예민하게 반응 할 수 있다. 따라서 boundary와 내부 정보를 모두 사용할 수 있는 module boundary .. 공감수 0 댓글수 0 2022. 7. 8.
[논문 리뷰] CornerNet: Detecting Objects as Paired Keypoints (2018) 나의 정리 논문이 지적한 문제점: Anchor를 사용하는 one-stage 방식이 비효율 적이고 학습에 방해가 되는 요소들이 있다. 해결 방안: Anchor가 아닌 Corner를 이용하여 object detection을 수행하였다. anchor의 문제점 두 가지 많은 양의 anchor box가 필요하고 그에 따라 많은 양의 negative box가 생성되어서 positive와 불균형을 이루게 된다. class imbalance 문제가 발생하게 된다. 많은 hyper-parameter를 사용해야 하고 design을 해야 한다. 를 Corner point detection을 이용하여 해결함 CNN을 통해서 top-left, bottom-right corner를 위한 각각의 (1) heat map을 예측하고 .. 공감수 0 댓글수 0 2022. 7. 7.
[논문 리뷰] Deformable DETR: Deformable Transformers for End-to-End Object Detection 나의 정리 기존의 DETR이 가진 문제점 1. 수렴이 오래 걸린다. (학습시간이 길다) 2. 작은 물체에 대한 성능이 매우 낮다. 이 두 가지에 대한 문제점을 해결한 모델 Deformable Convolution의 아이디어를 가져와 Attention 구조에 적용하였다. attention의 결과 key를 sampling point offset으로 사용하여 k개로 sampling 하여 attention module로도 많은 양의 image feature를 처리하게 해 주어 학습시간을 줄였다. multi-scale의 feature map을 고려하기 때문에 FPN과 비슷한 효과로 작은 물체에 대한 성능을 올릴 수 있었다. 이렇게 DETR의 한계점을 시사하고 그 문제를 해결한 논문이었다. Abstract Hand.. 공감수 2 댓글수 0 2022. 7. 5.
[논문 리뷰] DETR: End-to-End Object Detection with Transformers 나의 정리 NLP에서 주로 사용되던 Transformer를 object detection task에 사용하여 간단하고 경쟁력 있는 모델을 만들었다. direct set prediction 문제로 정의하여 bipartite matching을 통하여 유니크한 예측을 한다. bipartite matching은 GT와 prediction의 optimal assignment를 찾아서 loss 값을 줄여나가는 방향으로 학습을 진행한다. Transformer의 endcoder-decoder 구조를 가지고 있고 positional encoding을 통하여 N개의 object queries 만들어내 decoder를 거친 값을 FFN을 거쳐서 최종적으로 각각 독립적으로 class, bbox coordinate 값을 pre.. 공감수 2 댓글수 0 2022. 7. 5.
[논문 리뷰] (RetinaNet) Focal Loss for Dense Object Detection 나의 정리 RetinaNet은 one-stage로 동작하고 end-to-end 학습이 가능하다. network design은 RPN의 anchor, SSD의 feature pyramid 방식을 사용하여 기존의 network와 거의 비슷하지만 class imbalance 문제를 focal loss를 사용하여 해결했다. Focal loss는 hard exmaple에 초점을 맞춰서 학습을 진행하는 방식이다. 그냥 focal loss 보다 alpha-balance를 사용한 focal loss가 더 성능이 좋았다. Abstract One-stage detector는 YOLO, SSD 등이 있다. 속도는 빠르지만 정확도는 two-stage에 비해 낮다. → 논문에선 왜 그럴까에 대한 분석을 진행 one-stage가.. 공감수 1 댓글수 0 2022. 7. 1.
[논문 리뷰] SSD: Single Shot MultiBox Detector 나의 정리 SSD는 기존 region proposal, classification 2-stage로 하던 object detection방식을 default box라는 개념을 도입하여 1-stage로 진행하였다. multi feature map에 default box를 적용하여 다양한 크기의 bbox를 추출하기 때문에 여러 scale, 종횡비에 대해 검출이 가능하다. 또한 3x3의 conv filter를 사용하여 multi feature map을 만들어 낸다. 1-stage이고 FC layer 대신 Conv layer를 사용하여 매우 빠르다. base network로 VGG16 사용 Abstract single deep Neural Network를 사용해 detection을 한다. ouput을 만드는 공간(.. 공감수 1 댓글수 0 2022. 6. 30.
[논문 리뷰](YOLO)You Only Look Once:Unified, Real-Time Object Detection 나의 정리 YOLO는 전체 이미지를 입력으로 받아 하나의 Convolution network를 이용하여 bbox의 위치와 점수가 나온다. 또한 이미지 전체를 받아 background error가 덜 발생한다. 이를 통하여 end-to-end 학습이 가능하고 매우 빠른 속도로 test가 가능해 real-time detection이 가능하다. 7x7 grid cell로 나누고 각 grid cell 당 2개의 bbox를 예측한다. 학습 시 보지 못한 새로운 이미지에 대해서도 강건하게 대응이 가능한 network이다. 하지만 아직 한계점도 많아 보이는 network Object가 겹쳐있으면 제대로 예측 불가 작은 바운딩 박스와 큰 바운딩 박스의 가중치가 동일하게 적용된다. real-time이라는 큰 장점이 있지.. 공감수 1 댓글수 0 2022. 6. 28.
[논문 리뷰] Faster R-CNN: Towards Real-Time ObjectDetection with Region Proposal Networks 나의 정리 Faster R-CNN은 region proposal을 gpu를 사용하여 진행하기 위해 RPN을 사용하였다. RPN로 region proposal을 구하고 Fast R-CNN으로 detector를 진행해 두 개의 module로 한 개의 network를 만들었다. RPN은 anchor box의 개념을 도입하여 러닝 타임을 줄이고 image, filter pyramid와 같은 성능을 냈다. feature map에서 3x3 window sliding → 1x1 object score, bbox regression 각자 계산 RPN은 객체의 존재 여부 분류, Fast R-CNN 은 배경을 포함한 classification 진행 RPN과 Fast R-CNN은 같은 conv layer를 공유하는데 이는 .. 공감수 1 댓글수 0 2022. 6. 24.
[논문 리뷰] Fast R-CNN 나의 정리 FC layer에 input size를 맞춰주기 위해 warp을 통해 강제적으로 맞춰주며 데이터 변형, 손실이 생겼는데 ROI pooling으로 input size에 무관하게 input으로 사용할 수 있게 되었다. backpropagation이 가능해져 모든 네트워크의 가중치가 업데이트될 수 있다. R-CNN은 bbox regressor, linear SVM을 각자 학습하는 multi-stage였지만 Fast R-CNN은 multi-task loss의 사용으로 single stage, end-to-end가 가능해졌다. 또한 fast R-CNN에서는 SVM 말고 softmax를 사용한다. feature map을 계산한 뒤 그 위에 object proposal을 projection 해서 사용하기 .. 공감수 2 댓글수 4 2022. 6. 24.
[논문 리뷰] R-CNN: Rich feature hierarchies for accurate object detection and semantic segmentation 나의 정리 간단하고 확장이 가능한 Object detection 방법을 소개했다. Selective search를 이용하여 region proposal을 구하고 해당 영역을 CNN에 통과시켜 feature vector를 추출한 뒤 FC layer를 거친 뒤 linear SVM을 거쳐 classify해준다. bounding box regression을 통하여 bounding box의 위치에 대한 평가를 하고 loss를 구해 GT값에 가깝게 만들어주는 d에 대해 학습하여 정확한 위치로 만들어 준다. data가 부족할 때 supervised pre-training을 사용하고 특정 domain에 대해서 fine tuning을 진행한다. bbox regressor, linear SVM 결국 두 개를 따로 학습해야.. 공감수 1 댓글수 2 2022. 6. 23.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.