Yolo V4 논문조사 Survey Report

소개

"Yolo V4 논문조사 Survey Report"에 대한 내용입니다.

목차

1. 서론
2. Yolo의 등장 배경 및 개발 현황
3. Yolo와 기본 Object Detection 방식의 차이
4. Yolo의 Image Process 과정
5. Non-max suppression이란?
6. Yolo의 input과 output 처리
7. Yolo에서 Confidence score란?
8. Yolo의 Network Design
9. Yolo에서의 Training
10. Yolo의 Inference
11. 결론 - Yolo의 장점과 그 한계
12. 실습 – Yolo v4를 이용한 나만의 학습 데이터셋 만들기
13. 느낀점

Reference

본문내용

1. 서론
자율주행과 자동차 산업의 결합은 이미 수십년 째 진행 되고 있는 연구분야이다. 철도, 항공기, 선박과는 다르게 자율주행 자동차는 실제 도로에서 무수히 많은 변수와 돌발 상황으로 인해 수많은 경우의 수를 고려해야 하는 문제가 있다. 또한 차량 내부 하드웨어적 문제가 바로 치명적인 사고로 이어질 수 있다는 점 때문에 운전자의 개입 없는 완전 자율주행 자동차 상용화는 아직까지도 연구가 진행되고 있다[1]. 이러한 외,내부적인 변수들을 제어하기 위해서는 차량의 강인한 Vision 기술과. 최근에는 딥러닝의 비약적인 발달로 컴퓨터 비전과 딥러닝을 결합하여 차량 외부의 객체를 정밀하게 탐지하는 기술들이 연구되고 있다[2]. 자율주행 자동차에서 가장 첫번쨰로 처리하는 과정이 Perception이라고 불리는 센싱 과정을 거치기 때문에, Vision 시스템에서 출력한 결과물을 토대로 차량의 이동 경로와 그에 따른 판단 및 제어 시스템이 결정된다[1][2].
기업별로 Vision 시스템에서 보이는 가장 큰 차이점은 Lidar의 사용 유무이다[2]. 테슬라와 인텔 모빌아이 등의 기업들은 Lidar 없이 카메라와 레이더 기반으로 완전 자율주행 구현에 초점을 두고 연구를 진행중이다[2]. 개인적으로 환경 요인들에 민감한 카메라를 기반으로 Level 5 자율주행에 도달하는 것은 매우 어려운 일이다. 날씨나 역광 등 예외적인 이미지의 형태에 따라 발생하는 변수들에 있어서 카메라 기반 자율주행은 분명히 한계가 있다고 생각한다.

이처럼 비전 시스템의 성능은 오늘날 자율주행에 있어서 ‘출발점’에 해당하는 큰 비중을 차지하고 있기 때문에, Real time Object Detection에 있어서 대표적인 딥러닝 알고리즘인 Yolo에 관하여 논문 survey 및 실습을 진행하고자 한다.

2. Yolo의 등장 배경 및 개발 현황
Yolo는 2016년 Joseph Redmon의 Yolo v1을 시작으로, 2020년 v5, PP-YOLO까지 개선사항들을 추가시켜 버전을 업그레이드하고 있다.

참고자료

· 이수민, “자율주행 안전성 높이는 객체 인식 기술, 어디까지 왔나?”, e4ds뉴스, 2020.12.07.
· 이용구, 자율주행 자동차의 객체 인식 기술 현황, TTA저널 191호, 2020, 9/10월호
· Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi, “You Only Look Once: Unified, Real-Time Object Detection”, https://arxiv.org/abs/1506.02640
· Joseph Chet Redmon’s blog, “YOLO CVPR 2016”, https://goo.gl/Xj2Eik
· 한땀한땀 딥러닝 컴퓨터 비전 백과사전 지은이 : 한땀컴비 외 6명
· Developer Lee - Developer Lee (tistory.com) - Theft Chaser (YOLO)
· YOLO: Real-Time Object Detection (pjreddie.com)
· GitHub - pjreddie/darknet: Convolutional Neural Networks