앞서 1탄에서 FPN과 RPN 의 기능에 대해서 잘 알아보았고 이제 마지막으로 ROI Head를 설명해보고 아키텍쳐에 대한 기본설명을 마치려고 한다. ROI Head에서는 FPN Featuremap(P2~P5) 그리고 Region proposal box 그리고 Ground truth box를 입력으로 사용하게된다. 앞서 RPN 에서는 피쳐맵을 p~p6까지 사용하였지만 ROI Head에서는 p6는 사용하지 않는다. ROI Head는 StandardROIHeads class로 정의 되어있고 아래와 같은 개략도를 가진다. 먼저 Proposal Box를 재샘플링하게 되고 샘플링한 박스를 통해 ROI pooling을 거치게 된다. 샘플링한 roi들을 각각 p2~p5 중 어떤 feature map에서 roi를 잘라..

오늘은 내가 개발 엔진으로 아주 잘 활용을 하고있는 Detectron2에 관해서 꼼꼼히 살펴보며 정리하는 포스팅을 해보려한다. Detectron2란 먼저 FaceBook AI Research에서 개발한 차세대 오픈 소스 물체 감지 시스템이다. 한마디로 Vision과 관련한 Task들에서 Detectron2엔진을 사용해 개발을 하면 Detectron2 내부 engine 에서 학습이 진행되고 개발자는 모델 구축 이후에 입력과 출력만 어떻게 할 지 잘 정의하면 된다. 모델 zoo를 활용해서 Detectron2에서 제공하는것을 써도 되고 없는 모델을 사용하고 싶다면 모델구조와 configlation을 잘 정의하면 Detectron engine에서 학습할 수 있다. 먼저 Detectron2 설치를 해야한다. De..

이번 게시물에서는 모델의 아키텍처를 많이 변경하지 않고도 Mixup, Label Smoothing, Knowledge Distillation, Cosine Decay, Zero Gamma, Model Tweaks와 같은 테크닉을 적절히 활용하여 ImageNet 데이터셋에 대하여 성능을 끌어 올릴 수 있는 방법에 대해서 게시하려 한다. Label_smoothing 모델이 Ground Truth(GT)를 정확하게 예측하지 않아도 되게 만들어 주는 것. Label_smoothing 이란 모델이 정확하지 않은 학습 데이터셋에 치중되는 경향을 막아 교정 및 정규화 효과를 가질 수 있는 방법이다. 즉 GT데이터가 잘 정제되어 있지 얺다면 오분류된 데이터가 있을 수 있어 모델이 이를 유하게 학습시키도록 하면 더 효과..