(복습) YOLO, Gradient descent

 

 

yolo와 다른 디텍션간의 차이

 

YOLO는 빠른 처리 속도를 가지고 있어서 실시간 객체 탐지가 가능하다.

이미지를 그리드로 분할하여 각 셀에서 객체의 클래스와 Bounding box를 예측한다.

이 작업을 단일 전방향 패스로 수행하여 다른 알고리즘보다 빠르다.

그리고 객체 스케일에 영향을 덜 받는다. 피라미드 이미지로 다양한 스케일로 객체탐지를 수행한다.

 

 

 

 

 

YOLO 인코더에 대해 설명

 

컨볼루션 레이어와 풀링 레이어로 구성된다.

 

컨볼루션 레이어에서는 입력 이미지의 다양한 특징을 감지한다. kernel을 이용하여 입력 이미지를 스캔해서 각 부분의 특징을 추출한다.

이때 활성화 함수를 사용하여(ReLU같은) 컨볼루션 레이어의 출력에 비선형성을 부여한다.

활성화 함수는 선형 함수의 한계를 극복하기 위해 사용된다. 비선형 관계를 학습하여 복잡한 이미지 패턴을 모델링 할 수 있다.

 

풀링 레이어는 특성맵의 크기를 줄인다. 공간적인 크기를 줄임으로써 계산 비용을 줄일 수 있다.

max pooling은 지역적인 변화에 덜 민감하기 때문에 이미지 내의 객체가 약간 이동하더라도 객체를 탐지할 수 있다.

 

 

 

 

 

One-stage detector와 Two-stage detector의 차이

 

 

 

 

 

 

 

gradient descent 설명

 

경사 하강법은 함수의 최솟값을 찾기 위해 사용되는 최적화 알고리즘이다.

 

주어진 함수의 기울기(=그래디언트) 를 이용하여 함수의 최솟값을 찾아 과정을 반복한다.

 

이때 local minimum에 빠질 수 있는데 초기값을 변경하거나 learning rate를 조정하는 등으로 해결해야 한다.

 

local minimum이란 우리가 목표로 하는 global munimum이전에 다른 값에 수렴하여 알고리즘이 멈추는 지점을 말한다. 이것은 알고리즘의 성능을 저하시킨다.