EfficientDet 리뷰 블로그
EfficientDet : Scalable and Efficient Object Detection Review
Multi Scale?
Multi-Scale관련해서 언급되는 논문들 중에서 M2Det 리뷰 블로그에 멀티스케일 내용이 나와있다.
<aside> 💡 하나의 이미지에 대해서 여러 scale에서 test를 하는 방법을 의미한다. 그동안 하나의 이미지를 여러 Scale에서 학습을 하는 논문들은 많이 있었다. 대표적으로 SSD, YOLO가 있으며 SSD에서는 여러 Scale의 Feature Map에 대해서 적용을 하였고, YOLO는 학습 데이터의 해상도를 320x320 부터 608x608까지 다양한 Scale로 resize를 하여 학습시켰다. 이러한 방식들은 학습 단계에 Feature map 혹은 Input image 자체에 multi scale을 적용하고 있다.
</aside>
SiLU (Sigmoid Linear Unit) ⇒ Activation Function
One Stage Detection vs Two Stage Detection
[Object Detection] one-stage detector vs two-stage detector
Soft NMS, NMS (Non-Maximum-Suppression)
NMS (Non Maximum Suppression)
<aside> 💡 Detection을 수행하면 여러개의 Detection된 Box들이 겹치게 되는데 가장 확률이 좋은 Box를 제외하고 다 없애서 연산량을 줄이는 방법
</aside>
Soft NMS
<aside>
💡 Box에 대한 Score를 0으로 줄이는 기존의 NMS대신에 점수를 반토막으로 날려서 완전히 없애지는 않는다.
예를 들면 0.9, 0.8, 0.8이라는 3개의 객체를 인식하고 각 객체들이 조금씩 겹쳐져 있다면 0.9를 제외한 나머지 score들을 0.4로 줄이는 것
</aside>
Ablation Study
<aside> 💡 모델이나 알고리즘의 "feature"들을 제거해나가면서 그 행위가 성능에 얼마나 영향을 미치는지 확인해보는 것
</aside>