최근 랩실 프로젝트를 진행하면서 안드로이드에 대해 이해할 수 있는 시간이 있었다. 따라서 알게된 내용들을 포스팅 해보려 한다.

https://ideadummy.tistory.com/29 [컴퓨터 비전] 이미지 변환(1) 아무래도 이미지를 다루니까 이미지에 대해 설명하지 않을 수 없다. 이미지는 픽셀들의 집합이고, 각 픽셀들은 색을 가지고 있다. 모든 색은 빨강, 초록, 파랑의 적절한 조화로 만들 수 있음을 ideadummy.tistory.com 이전에 작성했던 포스팅을 수정하였다.

컴퓨터 비전에 대한 기본기를 다지려 한다.

RCNN같은 모델들은 이미지에 대한 Classification을 먼저 수행한 모델을 활용하여 Detection 을 수행했다. 이는 2 stage 라고 부르는데, 위 문장을 이해해보면 시간이 꽤나 걸리는 모델임을 어렵지 않게 유추할 수 있다. YOLO는 1 stage로 Classification 과 detection을 동시에 학습한 모델이다. 따라서 학습에 대한 시간도 적을 뿐더러 논문에 의하면 더 나은 성능을 냈음을 볼 수 있는데, 이는 구현하는 입장에 있어 대단히 매력적인 요소가 아닐까 싶다. YOLO는 grid box를 시용하여 detection을 수행한 모델이다. 하나의 그리드에는 여러개의 객체가 존재할 수 있다. 따라서 겹치는 객체에 대해서도 찾아낼 수 있다. 그리고 전 포스팅에서 소개한 로스를 ..

YOLO에 대한 전반적인 이해하기

아무래도 구현에 있어 loss function을 구성하는 것이 가장 까다롭지 않았나 생각한다. 우선 람다는 모두 가중치이다. 논문에 나온 로스 식엔 coord에 대한 가중치와 noobj에 대한 가중치가 표시되어있다. coord는 bounding box의 좌표에 대한 것으로 이에 대한 가중치를 더 주고싶다면, 1보다 큰 값을 주도록 하자. noobj는 후에도 서술하겠지만, 모델이 객체로 인식하지 않은 bounding box를 의미한다. 다음은 저 이상한 1 표시다. 논문에는 다음과 같이 적혀있다. $1^{obj}_{i}$ 은 객체가 i번째 셀에 나타났다는 것을 의미하고, $1^{obj}_{ij}$ 는 i번째 셀에 대한 j번째 bounding box 예측이 합리적이라는 것을 의미한다. 저 합리적이라는 말이 ..

https://arxiv.org/pdf/1506.02640v5.pdf YOLO v1을 읽고 핵심 정리

모델의 지표로 사용되는 것들 중, Precision과 Recall이 있습니다. 한글로 적으면 뭔가 웃겨서, 식으로 설명하려 합니다. 모델은 사람이 낸 문제에 대해 나름의 학습을 토대로 답을 내놓습니다. 이때 정답은 정해져있고, 모델은 정확하게 예측하여 모든 정답을 맞춰야합니다. 말장난 같지만, 잘 예측하는 것과 정답을 잘 맞추는 것은 모두 만족시키기 어렵습니다. Confusion Matrix 앞으로 설명드릴 2x2 행렬은 이름부터 confusion 하다고 자신있게 말하는 만큼, 자고 일어나면 다시 헷갈리게 됩니다. 위 행렬이 어지러운 이유는 TP빼고 모두 의미를 한번씩 꼬아놨기 때문입니다. 각 위치에 있는 내용을 해석하기 위해서는 맨 뒤부터 생각해야합니다. 예를들어 FN같은 경우, N먼저 생각해서 '아 ..

목표 edge에 가중치를 넣을 수 있게 만들어볼 생각입니다. 결과 우선 Edge 클래스의 필드로 value를 가질 수 있게 했습니다. export class Edge { firstEdgePoint: Point; secondEdgePoint: Point; firstCenterPoint: Point; secondCenterPoint: Point; direction: boolean; // true: first to second, false: second to first value: number | null; constructor( firstEdgePoint: Point, secondEdgePoint: Point, firstCenterPoint: Point, secondCenterPoint: Point, dir..

목표 edge에 가중치를 넣을 수 있게 만들어볼 생각입니다.