Carpe Diem Carpe Diem

Cascade RCNN IoU threshold에 따라 다르게 학습되었을 때 결과가 다름 Input IoU가 높을수록 높은 IoU threshold에서 학습된 모델이 더 좋은 결과를 냄 IoU threshold에 따라 다르게 학습되었을 때 결과가 다름 전반적인 AP의 경우 IoU 0.5로 학습된 모델 성능이 가장 좋음 그러나 AP의 IoU threshold가 높아질수록 IoU threshold가 0.6, 0.7로 학습된 모델 성능이 좋음 high quality detection을 수행하기 위해선 IoU threshold를 높여 학습할 필요가 있음 하지만 성능이 하락하는 문제가 존재하기 때문에 이를 해결하기 위해 Cascade RCNN 제안 Method Faster RCNN과 다르게 IoU threshol..

Model Scaling Compound scaling = width + depth + resolution scaling Width Scaling ex. WRN Depth Scaling ex. ResNet34 더 높은 정확도와 효율성을 가지면서 ConvNet의 크기를 키우는 방법은 없을까? 네트워크의 width, depth, resolution 모든 차원에서의 균형을 맞추는 것이 중요! EfficientNet 등장 배경 모델들의 파라미터 수가 점점 많아짐 점점 빠르고 작은 모델에 대한 요구 증가 효율성과 정확도의 trade-off를 통해 모델 사이즈를 줄이는 것이 일반적이지만, 큰 모델에서는 어떻게 모델을 압축시킬지가 불분명함 따라서 EfficientNet은 아주 큰 SOTA ConvNet의 effici..

1 stage Detectors 2 stage Detectors의 단점 종류: RCNN, FastRCNN, SPPNet, FasterRCNN 속도가 매우 느림 실시간에서 응용 불가능 1 stage Detectors 종류: YOLO, SSD, RetinaNet RPN 과정이 사라짐 Localization, Classification 동시에 진행 전체 이미지에 대해 특징 추출, 객체 검출이 이루어짐 -> simple & easy 속도 매우 빠름 영역을 보지 않고 전체 이미지를 보기 때문에 객체에 대한 맥락적 이해가 높음 YOLOv1 YOLOv1: 하나의 이미지의 bbox와 classification 동시에 예측하는 1 stage detector 특징 Region proposal 단계가 없다 전체 이미지에서 ..

Neck 이란? backbone과 head(검출이 이루어지는 실질적인 부분)를 이어주는 연결부 backbone의 각각의 stages에서 서로 다른 feature maps를 추출 Top-down 방식과 측면 연결을 통해서 기존의 convolutional network를 증강시킨다 이는 네트워크가 풍부하고 다양한 scale의 feature 층을 구성할 수 있도록 함 다양한 층 덕분에, 서로 다른 사이즈의 object 검출 가능 neck이 필요한 이유 다양한 크기의 객체를 더 잘 탐지하기 위해서 neck이 없으면 작은 사이즈의 객체 탐지 못함 다양한 Neck의 종류 FPN (Feature Pyramid Network) 대표적인 Neck high level에서 low level로 semantic 정보 전달해주는..

MMDetection Pytorch 기반의 object detection 오픈소스 라이브러리 Pipeline: input - backbone - neck - dense prediction - prediction 2 stage 모델은 backbone / neck / DenseHead / RoIHead 모듈로 나눌 수 있음 backbone: 입력 이미지를 feature map으로 변형 neck: backbone과 head를 연결, feature map 재구성 DenseHead: feature map의 dense location을 수행 RoIHead: RoI 특징을 입력으로 받아 box 분류, 좌표 회귀 등을 예측 각 모듈 단위로 config 파일을 통해 커스터마이징 Config File configs를 통해..

R-CNN Selective Search: 이미지를 무수히 많은 작은 영역으로 나눈 다음, 점차 통합해 나가는 형식 Pipeline 입력 이미지 1개 받기 Selective Search를 통해 약 2000의 RoI(후보영역)를 추출 RoI의 크기를 조절해 모두 동일한 사이즈로 변형 (CNN의 FC layer의 입력 사이즈가 고정이므로) RoI를 CNN에 넣어 feature를 추출 Pretained AlexNet 구조 활용 (FC layer 추가), Finetuning 진행 CNN을 통해 나온 feature를 SVM에 넣어 분류 진행 input: 2000x4096 features output: (C+1) + Confidence scores CNN을 통해 나온 feature를 regression을 통해 bo..

Object Detection 평가 방법 성능 mAP (mean average precision): 각 클래스당 AP의 평균 Confusion matrix: TP, FN, FP, TN에 대한 matrix Precision & Recall Precision = TP / (TP+FP) = 모든 Detection 중에 맞은 것의 비율 Recall = TP / (TP+FN) = 모든 Ground Truth(정답) 중에 맞은 것의 비율 PR curve: Precision & Recall curve, 누적 TP와 FP를 통해 Precision과 Recall 예측 x축은 Recall, y축은 Precision AP: PR curve의 아래 면적이 AP IOU: TP와 FP 판단 방법, Ground truth와 모델의..

Model Serving Serving: 머신러닝 모델을 개발하고, 현실 세계에서 사용할 수 있게 만드는 행위 (서비스화) Batch Serving: 많은 양의 데이터를 일정 주기로 서빙 Online Serving: 한번에 하나씩 실시간으로 서빙 클라이언트(모바일 기기, IoT 기기 등)에서 Edge Serving도 존재 Serving과 Inference 차이 Serving: 모델을 웹/앱 서비스에 배포하는 과정, 모델 활용 방식, 모델 서비스화 관점 Inference: 모델에 데이터가 제공되어 예측하는 경우, 모델 사용 관점 Online Serving 기본 용어 Client가 Serving 해주는 사람(Server)에게 Request 보내면 Server가 Client에게 Response 보냄 Web 서..