시나브로_개발자 성장기

EfficientDet은 EfficientNet을 개발한 Google Brain 팀에서 쓴 논문으로 Object Detection을 위해 자신들이 개발한 EfficientNet을 Backbone으로 사용하여 설계된 모델입니다. 일반적으로 Object Detection 모델은 </spa..

RetinaNet은 2017년도 FaceBook AI Research 팀에 의해 개발되었으며 YOLOv3보다 먼저 나온 모델입니다. 당시 One-stage detector는 빠른 detect 속도는 인정받았지만 Faster R-CNN보다 detection 정확도는 떨어진다는 인식이 있었습니다. RetinaNet은 One-stage detector의 빠른 detection 속도의 장점을 가지면서 (SSD나 YOLO보다는 떨어짐) One-stage detector의 detection 성능 저하 문제를 개선시켰습니다. 특히 다른 One-stage detector보다 작은 Object에 대한 detection 성능이 뛰어났는데, 이렇게 detect 성능을 높인 RetinaNet의 2가지 특징이 바로 Focal ..

저번 포스팅에 이어서 이번에는 Yolov3에 대해서 살펴보도록 하겠습니다. 위 그림은 v1부터 v3까지 YOLO를 버전 별로 비교한 표입니다. YOLOv2의 경우 YOLOv1의 detection 성능을 높이기 위해서 그 당시의 다양한 기술들을 도입해 많은 변화가 있었다는 것을 표만 봐도 알 수 있습니다. 이에 비해 YOLOv3는 YOLOv2와 비교해 향상된 Backbone(Feature Extractor), FPN(Feature Pyramid Network) 기법의 적용만으로, 큰 변화는 주지 않고 성능과 속도를 올렸습니다. 그럼 거두절미하고 YOLOv3에 대해서 설명하도록 하겠습니다. Prediction Across Scales YOLOv2와 비교해 달라진 YOLOv3의 가장 큰 특징은 바로 FPN(F..

이번 포스팅부터는 one-stage detector에 해당하는 YOLO를 버전별로 설명하도록 하겠습니다. YOLO는 현재 (2024년 3월 19일 기준) 9번째 버전까지 나올 만큼 자주 사용되고 활발히 개발되면서 실시간 Object Detection의 대명사로 자리잡게 되었습니다. YOLOv1의 구조 및 동작 방식 YOLOv1의 전체적인 모델 구조는 다음과 같습니다. YOLOv1의 모델은 GoogLeNet으로부터 많은 영감을 받았으며 이를 일부 수정하여 DarkNet이라는 독자적인 Convolutional Network을 만들어 사용했습니다. 24개의 Convolutional Layer(Conv Layer)와 2개의 Fully-Connected Layer(FC Layer)로 연결된 구조이며, Google..

지난 포스팅까지 two-stage detector인 R-CNN 계열의 모든 Object Detection 모델에 대해서 살펴봤다면, 이번 포스팅부터는 one-stage detector에 대해서 SSD부터 시작하여 알아보도록 하겠습니다. 즉 지금까지의 Object Detection 모델들(two-stage detector)은 Region Proposal과 Classification이 순차적으로 이루어졌다면, 이제부터 설명할 SSD를 포함한 여러 YOLO 모델들(one-stage detector)은 Region Proposal과 Classification이 동시에 이루어지는 것이죠. SSD는 YOLOv1과 비슷한 시기에 나왔던 모델이었습니다. YOLOv1은 수행 속도는 빨랐지만 수행 성능이 Faster R-..