1. Introduction R-CNN계열은 bound box를 다시 다듬고 중복된 검출을 지워야하고 물체에 다른 물체가 존재한다면 그 물체에 대하여 다시 같은 행위를 반복해야 했다. 물체들이 각각 따로따로 검출이 되기 때문에 느리고 optimize하기 힘들었다. 하지만 YOLO는 bounding box coordinate부터 물체 구별까지 한번에 되기때문에 You only look once라는 말이 붙게 되었다. 즉 위의 그림처럼 하나의 convolution network로 여러개의 bounding box를 찾고 classification까지 동시에 진행하는 것이다. YOLO의 장점은 아래와 같다. 1) 우선 YOLO는 빠르다. 초당 45 frame까지 검출이 가능하였고 좀더 빠른 버젼에서는 150 f..

1. Introduction Object detection는 reduction이라는 방법을 통해 image classification 방법을 이용한다. 즉 박스안에 물체가 있는지 없는지 같은 classificaition을 이용하는 것이다. 이러한 방법은 다만 문제가 있었는데 라벨이 붙은 물체와 그렇지 않은 background 물체의 수의 차이로 인해 제대로된 학습이 잘 안된다는 것이였다. 즉, 하나의 물체에는 여러개의 bounding box가 나타나게 되는데 그 과정에서 비슷한 크기의 다른 bounding box들도 생성이 되고 그것들중 배경과 물체를 구분을 해야한다. 하지만 우리가 가진 데이터는 아무래도 물체의 데이터가 background 데이터보다 월등히 적기때문에 False Negative, 즉 물..

논문 제목 : Faster R-CNN : Towards Real-Time Object Detection with Region Proposal Networks INTRODUCTION 기존의 object detection들(Fast R-CNN,,,)은 region proposal 과정에서 시간을 너무 많이 소비하였다. Fast R-CNN은 region proposal을 selective search의 방법을 사용하였는데 이는 CNN의 외부에서 이루어지고 CPU를 기반으로 작동되었다. 이것이 시간 소비의 주범이였다. 그래서 region proposal의 방식을 region proposal network를 이용하여 구하는 것이 제시가 되었다. 이 방법은 그저 몇개의 convolution lyaer를 더해서 re..

1. Introduction 제한이 없는 상황에서는 규정된 모델을 regularize하는 가장 좋은 방법은 모든 파라미터들을 가용하여 계산하는 것이다. 이때 나오는 오차를 Bayesian gold standard라고 한다. 그리고 우리가 딥러닝으로 구현한 것은 최대한 이 Bayesian gold standard에 근접하는 모델을 만드는 것을 목적으로 한다. 하지만 이렇게 만드는 것은 많은 제약이 따른다. 우선 많은 separately trained nets를 계산하는 것은 비용이 많이 들고 많은 architecture들을 훈련시키는 것도 그것에 맞는 hyperparameter를 찾아야하고 많은 데이터도 필요하고 많은 계산 또한 필요하기에 힘들다. Dropout은 위에 이슈들을 어느정도 해결해준다. 과적합..

Deep Learning 저자 : Yann Lecun, Yoshua Bngio, Geoffrey Hinton 머신 러닝 체계에서는 사용자가 특징을 추출하고 입맛에 맞게 데이터를 변화 시켜야 했다. 머신러닝의 일종인 Representation learning은 시스템이 자동으로 feature detectoino or classification을 하는 것인데 딥러닝은 이러한 representation을 multiple level로 작동시키는 것이다. 이러한 딥러닝의 장점은 손이 덜가고 여러 분야에서 사용이 가능하다는 것에 있다. Supervised Learning 대부분의 머신러닝은 deep or not, 대부분 Supervised Learning이다. 답을 주고 그 답과의 오차를 줄여나가는 과정을 통해 학..