[Object Detection] Object Detection의 발전 과정

Object Detection

  Object Detection은 이전 Classification을 포함하여, 이미지 내 객체의 유무 및 이미지 상 위치까지 탐색하는 알고리즘이다. 이전 Classification 과 동일하게 ChatGPT을 활용하여 주요 모델 선정하였다. AlexNet이 2012년에 등장한 이후, 2014에 R-CNN을 시작으로 최근 가장 일반적으로 활용되는 Transformer를 활용한 아케텍처까지 다양한 모델이 선정되었으며, 각 논문 별로 공부한 뒤 내용을 포스팅 하고자 한다.

발전 과정

728x90

• R-CNN (Region-based Convolutional Neural Networks) - 2014
  • 논문 제목: "Rich feature hierarchies for accurate object detection and semantic segmentation"
  • 주요 기여: Selective Search를 사용하여 후보 영역을 생성하고, CNN을 통해 각 영역을 분류.
• Fast R-CNN - 2015
  • 논문 제목: "Fast R-CNN"
  • 주요 기여: R-CNN의 속도 문제를 개선. RoI Pooling을 도입하여 후보 영역에서의 특징 추출을 가속화.
• Faster R-CNN - 2015
  • 논문 제목: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks"
  • 주요 기여: Region Proposal Network (RPN)을 도입하여 후보 영역 생성을 CNN 내부에서 처리. 객체 검출의 속도와 정확도를 크게 개선.
• YOLO (You Only Look Once) - 2016
  • 논문 제목: "You Only Look Once: Unified, Real-Time Object Detection"
  • 주요 기여: 전체 이미지를 한 번에 처리하여 객체를 검출. 실시간 객체 검출 가능.
• SSD (Single Shot MultiBox Detector) - 2016
  • 논문 제목: "SSD: Single Shot MultiBox Detector"
  • 주요 기여: 다양한 크기의 특징 맵을 사용하여 객체를 검출. 실시간 성능과 높은 정확도를 제공.
• YOLOv2 (YOLO9000) - 2016
  • 논문 제목: "YOLO9000: Better, Faster, Stronger"
  • 주요 기여: YOLO의 정확도와 속도를 개선. COCO 데이터셋과 합성된 데이터를 사용하여 9000개의 객체 클래스를 인식.
• RetinaNet - 2017
  • 논문 제목: "Focal Loss for Dense Object Detection"
  • 주요 기여: Focal Loss를 도입하여 불균형 클래스 문제를 해결. 높은 정확도 제공.
• YOLOv3 - 2018
  • 논문 제목: "YOLOv3: An Incremental Improvement"
  • 주요 기여: YOLO의 구조를 개선하여 작은 객체에 대한 검출 성능을 향상.
• EfficientDet - 2020
  • 논문 제목: "EfficientDet: Scalable and Efficient Object Detection"
  • 주요 기여: EfficientNet을 기반으로 한 스케일러블 객체 검출 모델. 모델의 크기와 계산량을 조절하여 다양한 요구에 맞출 수 있음.
• YOLOv4 - 2020
  • 논문 제목: "YOLOv4: Optimal Speed and Accuracy of Object Detection"
  • 주요 기여: YOLO 아키텍처의 속도와 정확도를 최적화.
• DETR (Detection Transformer) - 2020
  • 논문 제목: "End-to-End Object Detection with Transformers"
  • 주요 기여: Transformer를 기반으로 한 객체 검출 모델. 복잡한 포스트 프로세싱 단계를 제거.

이후 목표

• 논문 개별 리뷰 예정이다.
• 이후 Segmentation, RNN/LLM, RL, Generative 까지 다양한 논문을 살펴볼 예정이다.