Classification: 입력으로 들어온 이미지 안의 객체(object)의 종류(class)를 구분하는 것
Localization: 단 하나의 Object 위치를 Bounding Box로 지정하여 찾음
Object Detection: 여러 개의 Object들의 위치, class를 Bounding Box로 지정하여 분류함
1.2. Bounding Box
하나의 Object가 포함된 최소 크기 박스
위치 정보를 의미함
1.3. IoU(Intersection over Union)
두 박스의 중복 영역 크기를 통해 측정
겹치는 영역이 넓을수록 좋은 예측이라 할 수 있다.
0 ~ 1 사이의 값을 나타내며 값이 클수록(겹치는 영역이 넓을 수록) 좋은 예측
1.4. Confidence Score
찾은 Bounding Box 안에 물체가 있을 확률을 의미
Predicted Bounding Box의 Confidence Score가 1에 가까울수록 모델은 Object가 있다고 판단
단순히 물체가 있을 확률로 계산되기도 하고, 물체가 있을 확률 * IoU로 계산되기도 하는 등 각 알고리즘마다 조금씩 차이가 있으나, 그 의미는 비슷함
1.5. Precision, Recall, AP, mAP
AP: Average Precision
mAP: mean Average Precision
Confidence score threshold, IoU threshold 값에 따라 Precision, Recall 값이 변함
1.6. NMS(Non-Maximum Suppression)
동일 Object에 대해 가장 좋은 박스 한 개만 남기고 나머지 중복 박스를 제거하는 후처리 과정
1. Confidence score 임계값 이하의 Bounding Box 제거 2. 남은 Bounding Box들을 Confidence score 내림차순으로 정렬 3. 첫 Bounding Box(Confidence score가 가장 높은)와의 IoU 값이 임계값 이상인 다른 박스들을 제거 4. Bounding Box가 하나 될 때까지 반복
1.7. Annotation
이미지 안의 정보에 대해서 별도의 파일로 제공되는 것을 Annotation 파일이라고 함
Annotation 파일에는 Object의 위치 정보, 클래스 정보, 클래스명 등의 정보가 있음
