Object detection is the problem of identifying and classifying target objects in an image, and one of the key issues in computer vision.
Because of the application of object detection technology in many fields, a fast and good object detector is needed. The first stage object detector, which is one of the deep learning based models, has a structure to simultaneously predict the position and type of objects in the image. The performance of the one-stage object detector is relatively lower than other object detector, but it is advantageous that the speed is faster. I propose IOU-based loss function to improve performance while keeping the speed of one-stage object detector high. The IOU-based loss function can improve the performance of the one-stage object detector by suppressing False-Positives and allowing the bounding box to better predict the object region during training. I have trained a new object detector by applying IOU-based loss function to YOLOv2, one of the object detection models, This detector confirmed that it has better performance than the detector trained using the existing loss function.
객체 검출은 영상 내의 목표로 하는 객체를 찾아내고 종류를 구분하는 문제이며, 컴퓨터 비전 분야에서 핵심적인 문제 중 하나이다.
수 많은 분야에서 객체 검출 기술을 응용 하기 때문에 빠르고 좋은 객체 검출기는 필요하다. 심층 학습 기반 모델 중 하나인 1단계 객체 검출기는 영상 내의 객체의 위치와 종류를 동시에 파악하는 구조를 가지고 있다. 1단계 객체 검출기는 성능은 다른 구조에 비해 상대적으로 낮지만 속도가 빠르다는 장점이 있다. 1단계 객체 검출기의 빠른 속도를 유지하면서 성능을 향상시키기 위해 IOU 기반 손실 함수를 제안한다. IOU 기반 손실 함수는 훈련 과정에서 오답을 억제하고 경계 상자가 객체 영역을 더 잘 검출하게 훈련을 유도하여 1단계 객체 검출기의 성능을 올릴 수 있다. 1단계 객체 검출 모델 중 하나인 YOLOv2를 기존 손실 함수와 IOU 기반 손실 함수를 각각 적용하여 새로운 객체 검출기를 훈련하였고, IOU 기반 손실 함수를 사용한 검출기가 기존의 손실 함수를 사용한 검출기보다 더 좋은 성능을 가진 것을 실험으로 확인하였다.
