YOLOv10: Real-Time End-to-End Object Detection, Ao Wang, et al., 2024 를 읽고 요약, 정리한 글입니다.github : https://github.com/THU-MIG/yolov10 ◼️contrbution- 기존 YOLO 아키텍쳐는 NMS에 대한 의존성이 높아 정확도는 향상시키지만 latency를 초래함.- 본 논문은 NMS 없는 YOLO 모델을 만들기 위해 이중 할당 전략을 제안하여 중복 예측 문제를 해결함.- 본 논문은 계산 중복을 줄이기 위해 lightweight classification head, spatial-channel decoupled downsampling, rank-guided block design을 포함한 아키텍쳐를 제안함. ..
YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information, Chien-Yao Wang, et al., 2024 을 읽고 요약, 정리한 글입니다. github : https://github.com/WongKinYiu/yolov9 ◼️ Contribution- 현존하는 심층 신경망 구조를 reversible fuction의 과점에서 이론적으로 분석하고 이러한 프로세스를 통해 이전에는 설명하기 어려웠던 많은 현상들에 대해 설명함.- 이러한 분석을 기반으로 PGI와 auxiliary reversible branch를 설계하고 좋은 결과를 얻음.- PGI는 deep supervision이 아주 깊은 신경망 구조에서만 사용할 수 ..
Yolo 모델에 대해서 톺아볼 일이 있었는데 간단 요약 글을 포스팅 하면서 다시 한번 정리를 한번 해 보려고 한다. 객체 감지는 이미지나 비디오 내의 객체를 식별하고 위치를 찾는 computer vision task이다.객체 감지 알고리즘은 single shot detection과 two shot detection으로 나눌 수 있다. two shot detection 알고리즘은 객체를 감지하는데 두 단계 프로세스를 사용한다. 첫번째 단계에서는 잠재적으로 객체를 포함할 수 있는 bounding box를 제안을 한다. 두번째 단계에서는 box 내 객체 클래스를 분류하기 위해 제안된 영역을 합성 신경망을 통해 실행을 한다.two shot detection 알고리즘의 대표적인 예료는 R-CNN, Fast R-C..
Object Detection을 하면서 가장 쉽게, 많이 사용하는 모델인 Yolo v5 모델 아키텍쳐를 간단하게 분석을 해 보았다. Yolo v5 Github : https://github.com/ultralytics/yolov5 GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite. Contribute to ultralytics/yolov5 development by creating an account on GitHub. github.com YOLOv5 모델 아키텍쳐 분석 1) Backbone Yolo v5의 Backbone은 이미지에서 feat..
Improved CNN Algorithm for Object Detection in Large Images, Seong Bong Yang, Soo Jin Lee, Jan, 25, 2020 를 읽고 요약한 글입니다. Abstract CNN 알고리즘은 위성영상과 같은 대형 이미지에서 소형 객체를 식별하는 것이 불가능하다는 문제를 해결하기 위해 관심영역 설정 및 이미지 분할 기법을 적용한 CNN 알고리즘 개선방안을 제시한다. 비행장 및 항공기 데이터셋으로 전환학습 한 YOLOv3 / Faster R-CNN 알고리즘과 테스트용 대형 이미지를 이용하여 진행하였으며 대형 이미지에서 관심영역을 식별하고 이를 순차적으로 분할해 나가며 CNN 알고리즘의 객체식별 결과를 비교했다. 1. Introduction 본 연구에서..
Small Object Detection in Optical Remote Sensing Images via Modified Faster R-CNN, Yun Ren et al., April 20, 2018 을 읽고 요약한 글입니다. Abstract Faster R-CNN을 the small remote sensing objects에 직접 적용하면 대개 성능이 저하되는 문제를 해결하기 위해 해당 논문은 광학 원격 감지 이미지에서 소형 물체 감지 작업을 위해 Faster R-CNN을 수정하는 방법에 대해 서술한다. 적절한 앵커(앵커박스에 대한 설명 링크)를 설정하여 Faster R-CNN의 RPN(지역 제안 네트워크) 단계를 수정하여 고해상도 단일 기능 맵을 활용하며 훈련 중 '랜덤 회전'이라는 간단하면서도 ..
Object Detection in Aerial Images:A Large-Scale Benchmark and Challenges, Jian Ding et al., Feb 24, 2021을 읽고 요약한 글입니다. Abstract 위성 이미지에 대한 대 용량 벤치마크의 부족이 ODAI(object detection in aerial images, 위성 이미지에서의 객체 검출)의 object detection 발전에 큰 장애물이 된다. 해당 논문에서는 대용량 데이터셋(DOTA)과 ODAI에 대한 포괄적인 기준을 제시한다. 1. Introduntion 현재 Earth Vision(지구 관측 및 원격 감지라고도 함.) 기술은 최애 0.5m 해상도의 위성 이미지로 지구를 관찰할 수 있을 만큼 발전했다. 방대한 양..
DOTA : A Large-scale Dataset for Object Detection in Aerial Images(2019)를 읽고 요약한 글입니다. Abstract 해당 논문에서는 위성 사진의 Earth Vision의 object detection 연구를 진전시키기 위해 위성 이미지의 object detection을 위한 대규모 데이터 세트(DOTA)를 소개한다. 이를 위해 다른 센서와 플랫폼에서 286개의 항공 이미지를 수집하며 각 이미지의 크기는 약 4000x4000픽셀로 다양한 스케일, 방향 및 모양을 나타내는 물체를 포함한다. 이러한 DOTA 이미지는 15개의 공통 object 범주를 사용하여 위성 영상 해석 전문가에 의해 주석이 달린다. 완전한 주석이 달린 DOTA 이미지에는 188개, ..
