Faster R-CNN with RPN

두 단계 방법

1stage.png

  • 기존 R-CNN 모델이 물체를 검출하는 방법
    • 후보 영역 생성 → 물체 검출
    • 두 단계가 독립적이고 메모리 공간을 공유하지 않음 (병렬화 X)
  • 후보 영역 생성
    • 물체가 있을 가능성이 높은 영역을 생성하는 단계
    • Selective Search 알고리즘 채택
      • 슈퍼 화소 분할 → 군집화
  • 물체 검출
    1. 후보 영역을 227 x 227 맵으로 정규화
    2. 합성곱으로 4096차원 특징 벡터 추출
    3. SVM 으로 물체 부류 확률 예측

YOLO: You Only Look Once

개요

YOLO 는 신경망 기반 “개체 탐지” 처리 속도를 비약적으로 향상시킨 모델이다. 주어진 이미지에 존재하는 모든 개체의 bounding box와 class probability를 한 큐에 생성하도록 설계되었다. 분류 신경망을 이미지에 국소적으로 적용하던 R-CNN 같은 기존 방식이 가지는 복잡성과 비효율성을 YOLO 모델이 해결하면서 실시간 개체 탐지 기술의 지평선을 열었다.

  • Grid: 이미지를 S x S 격자로 쪼갠 것
  • Cell: 격자를 구성하는 단위 셀
  • in Web
  • 1 min read

Javascript

This

자바스크립트 입문자가 가장 어려워하는 내용으로 this를 빼놓을 수 없다. 함수를 호출하는 시점에 따라 this 키워드가 가리키는 값이 다르기 때문이다.