3) Object Detection의 기본 원리와 주요 개념

먼전 Object Detection의 원리를 알아보기전 비교적 쉬운 Object Localization 과정을 살펴보겠습니다. 

 

# Object Localization 과정 

 

즉, 원본 이미지를 VGG/Resnet등으로 pretrain된 Feature Extrator를 이용해 추상화된 형태인 Feature Map을 만든 뒤, Fully Connected layer에 연결해 classification과 regression을 수행한다. 

 

 

# Object Localization 예측 결과 

 

# Objcet Detection - 두개 이상의 Object 검출 

 

>> 이미지를 어느위치에서 Object를 찾아야 하는가 ? (Object가 있을만한 곳)

 

1. Sliding Window 방식 

  > Window를 왼쪽 상단에서부터 오른쪽 하단으로 이동시키면서 Object를 detect 한다. 

(다양한 형태의 window를 이용하거나 window scale은 고정하고 이미지 scale를 변화 시켜 sliding window를 수행했다. )

 

 

- Object Detection의 초기 기법 

- Object가 없는곳도 슬라이딩해야되고, 여러 window 형태, 여러 scale의 이미지를 검출해야되서 수행시간이 오래 걸린다. 

- Region Proposal의 기술적 토대

 

2. Region Proposal (영역 추정)

 

  " Object가 있을만한 후보 영역을 찾자 "

 

 

 

# Selective Search

 

- 컬러,무늬,크기,형태에 따라 유사한 Region을 그룹핑 (픽셀레벨의 segmentation)

즉 , 비슷한 애들끼리 나눈다. 

 

 

Selective Search 수행 프로세스

 

 

 

#Object Detection 성능 평가 

 

IOU (Intersaction Over Unoion)

 

모델이 예측한 결과와 실측(Ground Truth)Box가 얼마나 정확하게 겹치는가

 

 

 

IOU에 따른 Detection 성능

 

NMS (Non Max Suppression)

 

비슷한 박스 제거 

 

비슷한 박스?

 > Object가 있을만한곳을 찾기 때문에 하나의 Object에 비슷한 box가 생길 수 있다. 이를 하나의 박스로 만드는 역할 

 

수행로직 (2가지 threshold 사용 [IOU,confidence score] )

 

1. Detected된 bounding box 별로 추정 confidence score의 threshold 이하 bounding box 제거 

 

2. 가장 높은 score 가진 box순으로 정렬후 다음로직 모두적용 

  - 높은 confidence score를 가진 box와 겹치는 다른 boxahen whtkgo IOU threshold이상인 박스 제거 

 

3. 남아있는 box 선택 

 

 

# Object Dection 성능 평가 mAP

 

실제 object가 Detected된 재현율의 변화에 따라 정밀도의 값을 평균한 성능 수치 

 

정밀도(Precision) 와 재현율(Recall)

 

Precision : 예측을 Positive로 한 대상중에 예측과 실제 값이 Positive로 일치한 데이터의 비율 

 

Recall : 실제값이 Positive인 대상중 예측과 실제값이 Positive로 일치한 데이터의 비율 

 

Object Detection에서는 검출 알고리즘이 실제 Object를 빠뜨리지 않고 얼마나 정확히 검출 예측하는지 평가 

 

# Confusion Matrix 

 

Object Detection에서의 TP/FP/FN

 

 

Confidence threshold에 따른 Recall - Precision의 변화 

 

 

#mAP 

 

 > AP는 한개의 오브젝트에 대한 성능 수치 

 > mAP는 여러 오브젝트들의 AP를 평균한 값