표적탐지 알고리즘 분류 및 평가성과지표 소개

객체 감지는 이미지나 비디오에서 객체를 식별하고 찾는 데 사용되는 컴퓨터 비전 작업입니다. 감시, 자율주행, 로봇공학 등의 응용 분야에서 중요한 역할을 합니다. 객체 감지 알고리즘은 네트워크가 동일한 입력 이미지를 사용하는 횟수에 따라 크게 두 가지 범주로 나눌 수 있습니다.

단일 객체 감지

단일 객체 감지는 단일 패스로 이미지에 있는 객체의 존재와 위치를 예측하여 계산 효율성을 향상시킵니다.

그러나 단발 물체 감지는 일반적으로 다른 방법만큼 정확하지 않습니다. 특히 작은 물체를 감지하는 경우에는 더욱 그렇습니다. 그럼에도 불구하고 이러한 알고리즘은 리소스가 제한된 환경에서 실시간으로 개체를 감지할 수 있습니다.

2회 객체 감지

객체 감지는 일반적으로 입력 이미지를 두 번 사용하여 객체의 존재 여부와 위치를 예측합니다. 첫 번째 감지에서는 잠재적 개체 위치에 대한 일련의 제안을 생성하고, 두 번째 감지에서는 이러한 제안을 더욱 구체화하고 필터링하여 궁극적으로 가장 정확한 예측을 생성합니다. 이 방법은 단일 대상 탐지보다 더 정확하지만 계산 비용도 증가합니다.

일반적으로 단일 물체 감지와 이중 물체 감지 사이의 선택은 애플리케이션의 특정 요구 사항과 제약 조건에 따라 달라집니다.

일반적으로 단일 타겟 감지는 실시간 애플리케이션에 더 적합하고, 두 타겟 감지는 정확도가 더 중요한 애플리케이션에 더 적합합니다.

객체 감지 모델 성능 평가 지표

다양한 객체 감지 모델의 예측 성능을 결정하고 비교하려면 표준 정량적 지표가 필요합니다.

가장 일반적인 두 가지 평가 지표는 IoU(Intersection over Union)와 AP(평균 정밀도) 지표입니다.

Intersection over Union(IoU)

IoU(Intersection over Union)는 위치 정확도를 측정하고 객체 감지 모델에서 위치 오류를 계산하는 데 사용되는 널리 사용되는 측정항목입니다.

예측 경계 상자와 실측 경계 상자 사이의 IoU를 계산하기 위해 먼저 동일한 객체의 해당 경계 상자 두 개 사이의 교차 영역을 구합니다. 그런 다음 두 개의 경계 상자가 포함하는 전체 영역("합집합"이라고도 함)과 두 경계 상자 사이의 겹치는 영역을 "교차점"이라고 계산합니다.

교차점을 Union으로 나눈 값은 전체 면적에 대한 겹침 비율을 제공하며, 이는 예측된 경계 상자가 원래 경계 상자에 얼마나 가까운지에 대한 좋은 추정이 될 수 있습니다.

평균 정밀도(AP)

평균 정밀도(AP)는 일련의 예측에 대한 정밀도 대 재현율 곡선 아래의 면적으로 계산됩니다.

재현율은 특정 카테고리에서 모델이 수행한 전체 예측과 해당 카테고리의 기존 라벨 총 수의 비율로 계산됩니다. 정밀도는 모델이 수행한 전체 예측에 대한 참양성의 비율입니다.

재현율과 정밀도는 분류 임계값을 변경하여 그래픽으로 곡선으로 표현되는 절충안을 제공합니다. 이 정밀도 대 재현율 곡선 아래 영역은 각 클래스에 대한 모델의 평균 정밀도를 제공합니다. 모든 범주에 걸쳐 이 값의 평균을 평균 정밀도(mAP)라고 합니다.

위 내용은 표적탐지 알고리즘 분류 및 평가성과지표 소개의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!