VOLO Paper Review
You Only Look Once
Overview
YOLO 는 기존 객체 탐지 알고리즘과 달리, 한 번의 신경망 평가로 전체 이미지를 처리합니다. 기존에는 각 파이프라인이 이미지로부터 특징을 추출하고, 분류를 하는것이 일반적이지만, YOLO 는 객체 탐지를 단일 회귀 문제로 풀이함으로써 탐지 시간이 매우 단축되었습니다.
기존 알고리즘과의 차이
Architect
- 기존 알고리즘
기존 객체 탐지 알고리즘으로 대표되는 R-CNN, DPM 은 다단계 파이프라인을 사용한 기법입니다. 일반적으로 이미지에서 특징을 추출하기 위해 Haar, SIFT, HOG, CNN Feature 과 같은 알고리즘을 통해 특징을 추출하고, 분류기 또는 로컬라이저를 사용하여 특징 공간에서 객체를 식별하는 것입니다.
이러한 기존 객체 탐지 알고리즘은 슬라이딩 윈도우 방식으로 실행되거나, 이미지의 특정 영역에서만 실행됩니다.
- YOLO
그러나 새롭게 제안된 이 방식은 단일 회귀 문제로, 단일 회귀
Inside
Features
Fast
- YOLO 는 Detection 을 단일 회귀 문제로 구성
- Simple, Fast
Context Information
- 이미지에 대한 global 관점을 고려한다.
- YOLO reasons globally about image when making prediction
- 전체 이미지를 고려하기 때문에, 객체의 외형 뿐만 아니라 클래스에 대한 Context 정보를 암묵적으로 인코딩 한다.
- YOLO sees the entire image during training and test time.
- So it implicitly encodes contextual information about classes as well as their appearance.
learns Generalizable Representations
객체의 일반화 가능한 표현을 학습한다.
- 학습된 데이터를 기반으로 다양한 도메인에서도 객체를 잘 탐지할 수 있다는 것을 의미
##
Leave a comment