6-3. SSD 네트웤 구조, Multi scale Feature Map, Anchor box

* tensorflow는 VGG대신 Resnet, inception을 씀, 혹은 mobilenet을 써서 detection 시간 줄이기도 함

 

# 각 다른 scale의 feature map에서 classifier를 구성하고 각 classifiers를 최종적으로 종합하는 구조임.

- object detecting 할 수 있는 Default box정보를 전달함

   => faster RCNN의 anchor box와 동일함

 

# anchor box 정보를 학습하는 방법

- 각각 feature map에서 3x3 cnn연산을 함

=> (4 : 개별 anchor box가 채워야하는 정보(class 개수 pascal 20개), 좌표 3개 ) x (4 : anchor box 개수) // * faster rcnn은 9개

 

# NMS

- 결과적으로 8732가 모였는데 너무 많으니 non-maximum suppression으로 가장 유력한 것만 남김

 

# Anchor box를 활용해서 convolution predictor for detection

(512, 38, 38) 으로 3x3 연산을 하는데 20여개의 class + bg 1개 object 확률(cs), 4개 좌표

# SSD의 multi scale Feature Map과 Anchor box 적용

8x8 feature map

- 4개의 anchorbox 중에 ground box와 매칭되는게 2개

- 매칭기준은 iou가 몇 이상인가

- 큰 개는 anchor box 내에 안들어와서 매칭이 안됨

 

4x4 feature map

- feature map이 추상화되어 scale이 작아지니 anchorbox가 매칭할 수 있게 됨.

 

feature map이 줄어드는 과정에서 anchor box와 ground box의 간격을 줄여나가는 계산을 함.

 

SSD Training

 n : matched anchorbox 개수, 

Matching 전략 

- bounding box와 겹치는 IOU가 0.5dltkddls anchor box 들의 classification과 bounding box Regression을 최적화 학습 수행.

 

 

 

위치 offset을 줄이도록 계속 weight를 갱신하여 줄여 냄.

 

 

 

# performance

- Data augmentation의 영향이 큼

- one-stage detector는 작은 object에 대한 성능이 떨어짐 => feature pyramid, retinanet로 개선

 augmentation을 하고나서 작은 데이터에 대한 성능이 높아졌다.

- 큰 화면, 선명도 좋은 이미지 등