[2022.08.17] 공부 내용, 현황 요약 (object detection)

오늘 배운 점 기록.

논문 작업 이외에는 Object Detection 위주로만 공부했다.

 

 

1. YOLOX 보기

object detection에서 2-stage 위주로만 알고 있었는데, 요즘 실험해보니 CBNetV2보다 YOLOx가 더 잘된다.

그래서 YOLO를 찾아보려함.

 

YOLO 시리즈가 정말 많았다.

 

Q. Anchor Free? Anchor based?

Anchor free가 나중에 나왔는데, 2-stage에서는 이제 anchor free도 많이 발전했는데 single stage인 YOLO들은 anchor based였다고 한다.

그래서 Anchor free를 포함하여 그동안 2-stage에서 발전한 최근 기술들을 YOLO에 도입한 것이 YOLO_X라고 한다. (그전에는 도입이 안 된 듯)

 

참고자료

- https://cryptosalamander.tistory.com/164 YOLO_X 설명 블로그

- https://arxiv.org/pdf/2107.08430.pdf YOLOX paper

 

 

2. detection 앙상블

포스팅 따로 씀

 

 

---

Object Detection 공부 & 실험 현황 (2022.08.17)

실험해본 모델

• mmdetection 공식 repository
  
  • Faster RCNN + ResNet50: 근본이니까 돌려준다
  • Cascade RCNN + ResNet50: Faster보다 성능이 좋았다.
  • 데이터셋에서 instance segmentation map을 제공하지 않아 Mask RCNN은 학습불가
  • one stage 모델인 YOLOX가 오히려 다른 2-stage model보다 잘 되었다.
• CBNetV2 (mmdetection 형식, 하지만 mmcv==1.3.8~1.4.0을 써야하는 구버전)
  • CBNetV2는 백본의 한 종류
  • Cascade RCNN과 함께 돌려봤으나, ResNet50 사용한거랑 별차이 없었다.
• 여담: mmselfsupervised에서 학습한 백본을 detection에 사용할수도 있다.
  이 백본과 cascade, faster RCNN으로 detection을 시도했지만 성능이 그냥 그랬다고 하신다.

실험 관련 TMI

• Casecade RCNN + ResNet50에서 CosineAnnealing을 썼는데 이상하게 안좋았다. (mAP 0.25 -> 0.22 하락)
  그냥 step scheduler가 좋았음. 대체..?
• 학습은 from scratch로 했다. 챌린지 규칙 때문에 그런 것도 있지만, 애초에 augmentation을 빡세게 줘서 학습하는 경우에는 pretraining이 그렇게 유효하지는 않다며 from scratch로 학습했다는 사례가 있어서 뭐 그러려니 한다. (YOLOX 논문 이야기다.)
• Augmentation 여러가지로 많이 줬을 때 별로 성능이 오르지 않음. 오히려 감소하는 느낌..?