Real-Time Object Detection YOLO (중요부분 요약)

Real-Time Object Detection

• 현재 프레임(이미지)에서의 물체(객체)의 Localization(위치)와 class(클래스)를 도출하는 것
• 이를 실시간으로 객체를 검출하는 것이 목표
• 정확도 & 속도 2가지의 속성의 trade off가 존재. 따라서 이 두가지의 성능을 동시에 높이는 것이 목표

---

COCO dataset기준 Real-Time Object Detection 순위

2019년도 기준으로 paperswithcode.com에 등록된 순위를 기반으로 만든 도표

---

YOLO

• One-stage detector의 종류 중 하나

  • Classification과 boudning box regression을 한번에 수행
  • Classification과 bounding box regression을 따로 수행하는 Two-stage detector보다 정확도는 낮으나, 처리속도와 효율성이 높기 때문에 현재 많이 사용하는 경향

• YOLO

  • Darknet이라는 backbone 모델을 사용
  • a모델을 복잡하게 만드는 것이 아니라 보다 간편하게 만들어서 속도가 빠름
  • Anchor box를 통해 bounding box를 예측함
  • 모든 Object-Detection에서 나타나는 작은 물체에 대한 검출률은 여전히 낮음

---

Grid cell

---

IoU ( Intersection Over Union )

• IoU

  • 객체 검출을 할 때 예측한 객체에 대한 정보를 가지는 Bounding box와 정답 Box의 IoU를 통해서 임계 값(threshold)이 0.5 이상일 경우 일치하는 객체로 판단하는 작업을 한다.

  • 임계 값이 높을수록 정답과 일치함을 의미하는데 기준 임계 값을 너무 높게 한다면 검출율이 낮아지기 때문에 적당한 임계 값을 설정하는 것이 중요하다. ( 대표적인 값이 0.5 )

정답과 예측 박스 간의 교집합 / 합집합 으로 생각하면 쉽다. 이 값(IoU)의 임계점의 크기에 따라서 판단 여부가 달라진다.

---

Bounding Box

파란색 박스가 Anchor Box(점선)과 모델을 통해 추출된 값을 가지고 예측한 Bounding box를 나타낸다. x,y값을 도출할 때 sigmoid를 취하는 이유는 시그모이드의 출력값이 0~1사이의 값이기 때문에 해당 cell을 넘어설 수 없도록 하는 역할을 한다.

 

---

NMS ( non-maximum-suppression )

• 다양한 크기의 객체들을 검출했을 경우 같은 객체에 여러 개의 Bounding box가 생기는 현상을 볼 수 있다. 이를 방지하기 위해서 가장 정답 객체와 유사한 객체를 제외한 나머지 Bounding box들을 제거해주는 작업이 필요한데 이를 NMS를 통해서 처리한다.

가장 맨 위의 그림을 보면 알 수 있듯이 Anchor 기반으로 물체를 검출했을 경우 다음과 같이 무수히 많은 Bounding box들이 검출된다. 이를 NMS과정을 통해 Final detections와 같은 결과로 도출할 수 있다.

---

Reference

• You Only Look Once: Unified, Real-Time Object Detection. Joseph Redmon et al.; The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 779-788

• YOLO9000: Better, Faster, Stronger. Josep Redmon, Ali Farhadi; The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, pp. 7263-7271

• YOLO9000: Better, Faster, Stronger. Josep Redmon, Ali Farhadi; Computer Vision and Pattern Recognition (cs.CV), 2018, arXiv:1804.02767[cs.CV]