[DAY 33] Object detection & CNN Visualization

오늘 배운 것

Object detection
- Image 내에서 특정 물체를 detect하고 localize하는 object detection에 대한 이해
- R-CNN Family, YOLO 및 DETR등 object detection network 소개
CNN Visualization
- CNN 내부의 activation map등을 시각화해 CNN network를 이해하고 debugging하는 방법
- Gradient Ascent, Saliency map, Grad-CAM 등 시각화 방법 소개

펭귄: 학습할 때는 객체를 표현하는 Ground Truth는 하나만 존재한다. 이 Ground Truth와의 IoU가 0.7이 넘으면 긍정으로 판별하고 0.3보다 작으면 부정으로 판별한다. 이 때 부정에 대한 부분을 Loss로 줘서 학습을 하게 된다. 그럼 Loss라는 게 부정 박스가 거의 없도록 하는 것인가? Loss가 정확히 무엇인가?
- https://89douner.tistory.com/91
- 히스: 0.7을 넘으면 박스가 유효하게 남도록 박스를 남기고, 0.3 아래로 내려가면 박스를 잘 쓰지 않게 하는 것
- 후미: 학습 시, positive만 사용하는 것이 맞다고 생각됨
- 샐리: 그럼 그사이의 값은 어떻게 되나요?
- http://incredible.ai/deep-learning/2018/03/17/Faster-R-CNN/
- 0으로 취급한다고 합니다. = 아무 취급도 하지 않습니다.
후미 : 2 stage에서 regression과 classification이 있는데 여기서 regression이 뭘 뜻하는 건가요?
- 샐리 : regression은 사전에 정한 앵커박스들이 ground truth의 b-box에 회귀하기 위한 것
negative score는 사용되지 않아야하는 것 아닌가?
- 원딜: CLS Loss func: negative도 포함되니까, 다 사용되는거 아닐까!
positive와 negative 각각의 역할?
- RPN은 (특정되지 않은) 물체가 어디에 있는지 확인하는 작업
- negative는 배경으로서 해석, positive는 객체로서 해석하므로, 둘 다 사용