Doby's Lab

✅ Intro Computer Vision 관련 아키텍처가 발전함에 따라 Overfitting을 막기 위해 Batch Normalization, 혹은 Layer Normalization을 사용하는 추세입니다. 하지만, 이전에는 Dropout이 있었죠. Dropout은 어느샌가부터 마지막 fully-connected layer를 제외하고는 Computer Vision에서 잊혀 갔습니다. 이러한 이유에는 기존 Dropout은 Feature Map의 공간적인 특성을 고려하지 않는 부분에 있습니다. 픽셀 별로 랜덤 하게 Drop 시키는 경우를 생각해 보면 이해가 됩니다. Feature Map에서 고작 한 픽셀을 Drop 시킨다는 건 의미가 없을 수 있습니다. 하지만, 그림(c)과 같이 Feature Map의 특..

✅ Intro R-CNN에서 Region Proposal의 방법으로 채택된 Selective Search에 대해 정리해 보겠습니다. ✅ Selective Search 📄 Exhaustive Search Selective Search가 있기 전에 Exhaustive Search라는 개념이 있었는데, 직역한 대로 철저하게 모든 Region에 대해 Search 해보는 방법입니다. 하지만, 이 방법에는 연산의 한계점이 있습니다. 왜냐하면, Candidate Region에 대해 모든 Region을 탐색해보아야 하는데 Object의 크기(Scale)는 일정하지 않고, Aspect Ratio 또한 일정하지 않아서 셀 수 없는 연산을 모두 해보아야 Exhaustive Search가 되기 때문입니다. 📄 Segmenta..

일반적으로 Object Detector의 성능이 얼마나 좋은지에 대한 지표로는 mAP가 널리 쓰이고 있습니다. 오늘은 mAP는 어떻게 도출되는 결과인지에 대해 알아보겠습니다. ✅ Precision(정확도), Recall(검출율, 재현율) 우선 Precision과 Recall에 대해 알고 있어야 합니다. 그리고, Precsion과 Recall에 대해 알기 위해서는 Confusion Matrix에 대한 개념을 알고 있어야 합니다. 위 그림이 Confusion Matrix입니다. 예를 들어, Detector가 Positive라고 판단했을 때, 이것은 Detector의 입장일 뿐입니다. 실제로 이것이 Positive인지 Negative인지는 모릅니다. 그런데 이것이 실제라고 했을 때는 Positive가 맞다는 ..

✅ Intro IoU에 이어 적절한 Bounding Box를 채택하는 방법인 Non-maximum Suppression에 대하여 알아봅시다. ✅ Non-maximum Suppresion Region Proposal을 통해 여러 Class에 대해 여러 Bounding Box들이 나올 것입니다. 이 Bounding Box들을 담고 있는 보관함을 A라고 하고, 다른 하나의 보관함인 B가 있다고 가정합시다. A에는 여러 Bounding Box들이 있을 것이고, 순서를 Classifier에 의해 가장 높은 점수를 가지는 순서로 정렬해 둡니다. 📄 Algorithm 특정 임계값(Threshold 1) 보다 낮은 점수를 가진 Bounding Box들은 모두 버립니다. 가장 높은 점수를 가진 Bounding Box를 ..

✅ Intro Region Proposal에서 적절한 Bounding Box를 채택하는 Non-maximum Suppression을 이해하기 위해서는 Object Detector의 평가지표인 IoU에 대한 개념의 이해가 필요합니다. ✅ IoU(Intersection over Union) IoU란 Objector Detector가 잘 작동하는지 정확도를 나타내는 평가지표입니다. IoU를 사용한 평가를 내리기 위해서는 두 가지의 정보가 필요합니다. Ground-truth Bounding Box (Test set에서 Object의 위치를 Labeling 한 것) Predicted Bounding Box (Model이 직접 측정한 Object의 위치) Ground-truth Bounding Box와 Predic..

Center Cropping을 하고 나서 궁금했던 점은 width와 height는 같아졌는데 input_shape와 맞지 않아서 어떻게 처리해야 할지가 의문이었습니다. 예를 들어 아래의 경우처럼 input_shape보다 작게 나와서 이미지를 확대해야 하는 경우가 있습니다. 그리고, 다른 경우는 input_shape보다 크게 나오는 바람에 이미지를 축소해야 하는 경우도 생깁니다. 확대와 축소 둘 다 방법이 떠오르지 않았었습니다. 그래서 확대를 해야 하는 경우는 Zero Padding을 하고, 축소는 input_shape에 맞게 Cropping을 해줘야겠다 싶었습니다. Interpolation OpenCV 라이브러리에서 제공하는 cv2.resize()로 이 문제를 해결할 수 있었습니다. 이때, Interpo..

데이터셋의 이미지를 전처리하는 과정에서 모델에 학습시키기 위해 input_shape를 모델과 같게 맞춰주어야 합니다. 즉, 사이즈를 바꿔주어야 하는데 이 과정에서 어떤 과정을 거칠지는 엔지니어의 몫입니다. 사이즈를 바꿔주는 과정에는 크게 3가지가 있습니다. Warping Center Cropping Padding 3가지 과정을 설명하기 위해 아래의 고양이 사진으로 진행해 보겠습니다. Warping Warping은 이미지를 왜곡시켜서 사이즈를 맞추는 기법입니다. 이미지를 왜곡시키다 보니 이미지의 정보에 대한 손실이 있기 때문에 저는 잘 사용하지 않습니다. Padding (= Zero Padding) Padding은 특정한 사이즈에 빈칸이 남는다면 pixel 값을 0(=검은색)으로 채워 이미지 사이즈를 맞추..