1. 객체 탐지(Object-Detection)와 RetinaNet의 등장 배경객체 탐지(Object-Detection)은 이미지에서 객체의 위치와 종류를 동시에 알아내는 컴퓨터 비전 기술입니다. 크게 보면 Two-stage 방식과 One-stage 방식으로 나뉩니다.- Two-stage 방식 (ex. Faster R-CNN)먼저 후보 영역(Region Proposal)을 뽑고, 그 후에 클래스를 예측합니다.이 방식은 두 단계를 가지기 때문에 정확하지만 구조가 느리고 복잡합니다.- One-stage 방식(ex. YOLO, SSD)이미지 전체를 한 번에 처리하며 빠른 속도가 장점입니다.하지만 Two-stage에 비해 정확도가 낮다는 게 단점이었습니다.이런 구조적 차이 때문에 One-stage 방식은 늘 속..

Focal Loss 도입 배경Focal Loss는 Object Detection 문제에서 자주 발생하는 Class Imbalance 문제를 해결하기 위해 RetinaNet 논문에서 제안된 손실 함수입니다.일반적인 one-stage detector에서는 전체 이미지에서 anchor box를 매우 촘촘하게 생성하는데, 이로 인해 거의 대부분의 anchor는 배경(background)에 해당하고 실제 객체(foreground)는 매우 드물게 됩니다.이 경우 기존의 Cross Entropy 손실함수는 쉽고 너무 많은 배경 anchor example에 지배당해, 학습이 어렵거나 비효율적으로 진행될 수 있습니다.이를 해결하기 위해 Focal Loss는 Cross Entropy에 modulating term을 추가하..

Table of Content 1. Focal Loss의 필요성 2. Focal Loss 1. Crossentropy Loss를 쓰지 않고 Focal Loss를 쓰는 이유 2. Balanced Cross Entropy Loss를 쓰지 않고 Focal Loss를 사용하는 이유 3. Focal Loss의 적용 Object Detection이란? 여러 object들을 Bounding Box를 통해 Localization(위치 찾기)하고, Classification(어떤 물체인지 분류)하는 작업입니다. Object Detection의 2가지 종류의 알고리즘 1. R-CNN 계열의 two-stage detector 2. YOLO, SSD 계열의 one stage detector SSD관련 논문 리뷰: https:..