9566

yolop Traffic Object Detection, Drivable Area Segmentation, Lane Detection 교통객체탐지, 운전가능지역, 라인 탐지 recall(yolo5p) speed(yolo5

이미지를 고정된 크기로 크롭하거나 비율을 조정(warp) image - crop/warp - conv layer(이미지가 고정될 필요X) - fully connected layer(이미지가 고정될 필요O) image - conv layer - spp - fully connected layer 크기를 조절하지 않은 채로 컨볼루션을 진행하면 원본 이미지의 특징을 고스란히 간직한 피쳐 맵 피쳐 맵들을 동일한 크기로 조절해주는 pooling을 먼저 Conv Layer들을 거쳐거 추출된 피쳐맵을 인풋으로 받습니다. 그리고 이를 미리 정해져 있는 영역으로 나누어 줍니다. 위의 예시에서는 미리 4x4, 2x2, 1x1 세 가지 영역을 제공하며, 각각을 하나의 피라미드라고 부릅니다. 즉, 해당 예시에서는 3개의 피라미..

칼만 필터 (속도+위치+가속도+노이즈를 고려하여 가우시안 분포를 이용해 이용하여 현좌표에서 다음 좌표를 예측하는 필터) 베이즈 필터가 뿌리, 적분계산문제를 개선하기 위해 도입 시스템이 다음에 수행 할 작업에 대한 정확한 추측 센서를 통해 추측한 움직임에 노이즈가 들어오더라도 노이즈 제거에 좋은 역할 칼만 필터는 지속적으로 변화하는 시스템에 이상적입니다. 왜냐하면 어떤 연산 환경에서는 메모리가 부족할 수 있는데 칼만 필터에서는 이전 상태 이외의 기록을 유지할 필요가 없기 때문입니다. 또한 연산 과정 또한 빠르기 때문에 실시간 문제 및 임베디드 시스템에 적합합니다. 칼만 필터에서는 위치와 속도 두 변수를 랜덤 가우시안(정규) 분포로 가정합니다. prediction을 센서로 변환하기 위한 행렬로 Hk를 사용 ..

정리하자면, CSPNet은 duplicate gradient information에 의해 발생하는 heavy inference computations를 감소시키려 합니다. 이를 위해 base layer의 feature map을 두 파트로 분할하고, 이 둘을 논문에서 제안하는 cross-stage hierarchy으로 결합합니다. 이 과정을 통하여 gradient information이 큰 상관관계 차이를 갖게 되고 CSPNet을 기존의 모델에 적용하여 연산량을 감소시키고 정확도까지 상승시킵니다. 5-2) CSP(Cross-Stage Partial connections) : 기존의 CNN 네트워크의 연산량을 줄이는 기법. 원문에서 제안하는 CSP Net은 연산량을 20% 줄이면서도 MS COCO에서 높은 ..

## 분류 vs 객체탐지 Classification : 1개 -> 어떤 물체인지 Classification+Localization : 1개 -> 어떤 물체인지 + bbox Object Detection : 여러개 -> 어떤 물체인지+ bbox Instance Segmentation : 여러개 -> 어떤 물체인지+ 픽셀단위로 구분 ## Stage Detector 2-Stage Detector : (위치 찾기) + (분류) 각각의 위치에 대해서 클래스를 부여 사진속에 사물이 존재할법한 위치를 나열(Region Proposal:위치제안) -> 각각의 위치에 대한 피쳐추출 Regression : BBox의 위치 예측 ex) R-CNN, Fast R-CNN 1-Stage Detector : (위치 찾기 + 분류)..

탐지 : Box, Mask, Keypoint, Densepose, Semantic segmentation Facebook AI Research Team에서 발표한 Model로, 기존의 Detectron1 Model의 다음 모델이다. IEEE 2015에 나온 Faster R-CNN을 기반의 Detectron1 모델 발표 이후 Mask R-CNN Model 기반의 Detectron2 모델 발표 PyTorch 기반 페이스북이 딥러닝 프레임워크 카페(Caffe)의 새로운 포크인 카페2(Caffe2) 카페의 학습 스타일을 pytorch로 짠 것 Detectron2가 다른 오픈 소스들에 비해 빠른이유는 python 최적화가 잘되어있기도 합니다만, 그 외에 연산량이 많이 드는 부분(box iou를 계산, defrom..

Detectron2가 더 정확하고 YOLOv5가 더 빠르고 효율적이라는 것을 쉽게 알 수 있습니다. 훈련 데이터 크기(d>y) 정확도(d=y) 훈련시간(d 모델 크기(d>y) 자원 사용(d>y) Detectron2가 5개(물체,선,밀도,)를 탐지하기 때문에 시간 크기 자원이 많이 들지 않을까 훈련 데이터 크기 및 정확도 데이터 세트의 이미지 수가 150개 미만인 경우 대부분의 경우 Detectron2가 가장 좋습니다. 반면에 훈련 이미지가 충분하다면 YOLOv5를 선택해야 합니다. YOLOv5와 Detectron2의 정확도에는 큰 차이가 없습니다. 그러나 YOLOv5는 훨씬 빠릅니다. 모델 크기 YOLOv5는 Detectron2에 비해 모델 크기가 훨씬 작습니다. 따라서 두 모델이 데이터 세트에서 유사하..