0. Abstract 단일 심층 신경망을 사용하여 이미지에서 객체를 탐지하는 방법을 제시. SSD의 접근 방식은 bbox의 출력 공간을 다양한 종횡비 및 feature map 위치별 크기에 대한 default box 세트로 분리. 예측 시 네트워크는 각 default box에 있는 각 class score를 생성하고 객체 모양에 더 일치하도록 조정. network는 다양한 해상도의 여러 feature map의 예측을 결합하여 다양한 크기의 객체를 자연스럽게 처리. SSD는 모든 계산을 단일 네트워크에 캡슐화하기 때문에 object proposal이 요구되는 방법에 비해 간단하다. 1. Introduction 기존 Faster R-CNN을 기반의 접근 방식은 정확하기는 하지만 너무 느려 실시간 애플리케이션..

Abstract YOLO 이전 Object Detection 시스템은 위치 정보를 추론하고 그 위치에서 Classification을 하는 방식의 복잡한 파이프라인 구조였다. YOLO는 end-to-end 형식의 하나의 Convolution Network로 이미지 전체에서 위치 정보와 클래스 확률을 한 번에 추론한다. 그래서 매우 빠르다. Introduction DPM (Deformable Parts Models) DPM은 슬라이딩 윈도우 방식으로, 전체 이미지에 균일한 간격의 위치에서 Classification을 진행. R-CNN 영역 제안(Region Proposal) 방식을 사용하여 이미지에서 객체가 있을법한 잠재적 위치를 생성. 그 위치에 대해 Classification을 진행. 위 두 가지 방식은..

Anomaly Detection? Anomaly Detection(이상 탐지)란 normal, abnormal(정상, 비정상)을 구별하는 Detection을 의미한다. Supervised Anomaly Detection Supervised Anomaly Detection, 정상 데이터셋과 비정상 데이터셋 모두를 학습시키는 것을 의미한다. 정상, 비정상을 모두 학습시키기 때문에 다른 Anomaly Detection에 비해 정확도가 높다. 하지만 실제 산업현장에서는 적정량의 비정상 제품의 데이터를 취득하기가 매우 어렵다는 문제가 있다. 10,000개의 제품을 생산할 때 비정상 제품이 1개 나온다면(실제론 더 안 나오지만...), 100개의 비정상 샘플을 취득하기 위해선 대략 10,000,00개의 제품을 생산..