1. Object Detection Overview

 -Classification / Object Detection / Semantic Segmentation / Instance Segmentation

 

- Object Detection 평가 metric

성능 = mAP

속도 = FPS, FLOPS(실시간 처리를 많이 요구하는 편임)

 

- ROC curve

 True Positive Rate(실제로 True인 것 중에 True로 예측한 비율)와 False Positive Rate(실제로 False인 것 중에 False로 예측한 비율)의 관계를 나타낸 그래프

- PR curve 

confidence 레벨에 대한 threshold 값의 변화에 따른 정밀도와 재현율의 관계를 나타내는 그래프

(threshold 값 이상이어야만 검출된 것으로 인정한다)

정밀도와 재현율은 상충 관계이다.

 

roc curve와의 차이:

roc curve에서는 포인트 사이의 거리가 총 샘플 수에만 의존하므로 일정하다.

하지만 PR curve에서는 얼마나 많은 음성 샘플(FP)을 분류했는지에 따라 precision 값이 달라지므로 FP가 많을수록 step이 더 작아진다.

ex. 음성 샘플이 양성 샘플보다 불균형하게 많은 경우, FP가 늘어나므로, 높은 precision 값을 얻기 힘들다

--> P-R 곡선은 클래스 간 불균형이 심할 때, 그에 따른 모델의 성능을 반영한다

 

- AP(average precision)

PR curve의 아래 면적

--> 11점 보간법과 모든 점 보간법(주로 사용)이 있음

 

- mAP(mean average precision)

각 클래스당 ap 평균

 

- IOU (Intersection Over Union)

객체 검출의 정확도를 평가하는 지표, 일반적으로 object detection에서 개별 객체에 대한 검출이 성공하였는지를 결정하는 지표

 

- FPS(frames per second)

초당 처리할 수 있는 프레임의 숫자, 클수록 빠르다

 

-FLOPS(Floating Point Operations)

1초동안 수행할 수 있는 초당 부동 소숫점 연산, 작을수록 빠르다