0. 들어가기에 앞서 본 게시글은 다양한 IoU에 대해 쉽게 이해할 수 있도록 최대한 간략하게 작성한 글입니다. 더욱 자세한 내용을 알고싶다면, 아래의 참고 링크 부분의 링크를 참고 바랍니다. 1. Vanilla IoU Intersection of Union 1. 개념 줄여서 IoU라 하며, 영상에서 Ground Truth에 해당하는 bounding box와 model이 예측한 bounding box의 겹치는 정도를 계산한 값 즉, 예측한 결과가 얼마나 정답과 일치하는지를 나타냄 2. 계산 방법 alstn59v.tistory.com 2. Generalized IoU GT box와 bounding box를 모두 포함하는 최소 크기의 박스를 이용하는 방식 GT와의 overlap을 위해 box의 영역이 넓어지..

1. 개념 줄여서 mAP라 하며, 각 class에 대해 예측한 것의 average precision에 평균을 취해준 것 값이 클수록 성능이 좋음 Precision-Recall curve의 아래 면적과 같은 값

1. 개념 Confusion Matrix라 하며, model의 성능을 평가하기 위해서는 여러가지 지표들을 계산해야 하는데, 계산에 이용되는 값들을 정리한 표 2. 기본 지표 예측 결과 (Predict Result) Positive Negative 실제 상황 (Ground Truth) Positive TP(true positive) 옳은 검출 FN(false negative) 검출되어야 할 것이 검출되지 않았음 Negative FP(false positive) 틀린 검출 TN(true negative) 검출되지 않아야 할 것이 검출되지 않았음 3. 추가(유도된) 지표 여기서 우리는 Precision과 Recall이라는 것을 구하여 사용 Precision \( Precision=\frac{TP}{TP+FP}..

0. 배경 지식 IoU Intersection of Union 1. 개념 줄여서 IoU라 하며, 영상에서 Ground Truth에 해당하는 bounding box와 model이 예측한 bounding box의 겹치는 정도를 계산한 값 즉, 예측한 결과가 얼마나 정답과 일치하는지를 나타냄 2. 계산 방법 alstn59v.tistory.com 1. 개념 줄여서 NMS라고 하며, One-hot encoding처럼 최대가 아닌 값은 버리겠다는 것 이것을 IoU 개념과 결합시켜 Object Detection에 이용할 수 있음 일반적인 model은 하나의 object에 대해 많은 bounding box를 예측하므로, 가장 정답과 가까운 bounding box만을 남겨두기 위해 사용

1. 개념 줄여서 IoU라 하며, 영상에서 Ground Truth에 해당하는 bounding box와 model이 예측한 bounding box의 겹치는 정도를 계산한 값 즉, 예측한 결과가 얼마나 정답과 일치하는지를 나타냄 2. 계산 방법

1. 개념 영상 속에서 어떤 물체가 어디에 있는지 파악하는 것을 객체 탐지라고 합니다. 2. 예시 아래 사진에서, 어떤 물체(사람, 버스, 자전거 등)가 어디(화면의 가운데, 우측 하단 등에 box 표시)에 있는지 알아내는 것