폭간의 기술블로그 HomeArchivesTagsCategories
Object Detection & Segmentation 2
|Machine Learning|

Object Detection & Segmentation 2

Additional Object Detection Techniques

  • Feature Pyramid Netowrk (FPN)
    • 충분히 빠르다
    • 다양한 크기의 물체를 잘 찾아낸다
    • scale robustness 는 object detection에 중요하다.
    • Image pyramid 를 만드는 것보다 feature pyramid 를 만드는 것이 효과적이다
    • post-work: PANet (Path-aggregation network) – top-down-top을 활용한다
  • Path Aggregation Network (PANet)
    • top-down path의 FPN에서 bottom-up path를 추가하여 object detectio 에서의 scale robustness를 키운다
    • bottom-up connection 이 이미지의 더 좋은 features 생성에 도움이 된다.
  • EfficientDet: Effcient Model Search
    • EfficientNet 과 비슷한 모델 서치
    • BiFPN 구조를 채택하여, top-down, bottom-up 정보의 propagation을 한다
    • 더 낮은 리소스로 더 좋은 결과를 낸다.
  • DeTR: Detection Transformer
    • Vision Transformer for Object Detection
    • CNN이 아닌 Transformer 구조를 사용해서 object detection 을 해보자
  • Deformable DETR
    • Deformable Convolution에서 아이디어를 얻 어 transformer 구조에 적용
    • 마찬가지로 conv filter의 offset을 deformable DETER에서는 encoder 내의 attention 입력인 Key의 offset으로 대체하여 사용한다.

Semantic Segmentation

  • 같은 클래스내에 있으면 동일한 영역이라고 본다

  • Fully Convolutional Network (FCN)

    • 이미지의 모든 픽셀에 대해 클래스를 예측
    • 1x1 convolution을 사용하여, fully connected layer를 대체
    • add skip connection

  • DeepLab

    • atrous convolution을 사용하여, receptive field를 키움
    • fully connected conditional random field (CRF)를 사용하여, segmentation 결과를 더 정확하게 만듬
    • atrous spatial pyramid pooling (ASPP)를 사용하여, 다양한 크기의 receptive field를 사용

  • Deconvolution Nework (DeconvNet)

    • cpmvolutional layer를 거꾸로 쌓아서, segmentation을 수행
    • pooling layer에서의 위치 정보를 복원하기 위해, unpooling layer를 사용
    • deconvolution layer를 사용하여, segmentation 결과를 얻음

  • U-Net

  • Instance-Aware Semantic Segmentation

    • objectness를 캡쳐 할수 없다
    • Multi-scale features를 사용하여, objectness를 캡쳐
    • Multi-task Network Cascades
      • cascade를 사용하여, segmentation과 classification을 동시에 수행
      • single network 사용
    • Mask R-CNN
      • instance segmentation을 수행
      • Faster R-CNN을 사용하여, object detection을 수행
      • RoIAlign을 사용하여, RoI pooling을 대체

  • Improving Semantic Segmentation

    • Pyramid Scene Parsing Network
    • Context Encoding Network
      • se loss를 사용하여, context 정보를 사용
    • Dual Super-Resolution Learning
      • image super-resolution과 semantic segmentation을 동시에 수행
      • sub-pixel convnet을 사용하여, segmentation 결과를 얻음
    • Segmenter
      • A fully Transformer-based encoder-decoder architecture

참조

Object Detection & Segmentation