Abstract

• YOLO는 Object Detection에서 새로운 접근 방법을 나타낸다.

• 기존의 접근 방법인 분류 문제를 → 회귀 문제로 변경

  → 전체 이미지에서 공간적으로 분리된 BBox 와 class 확률을 동시에 예측하는 방법 (1 Stage Detection).

• 전체적인 Detection Pipeline은 single network로 구성되어 end-to-end로 최적화 할 수 있다.

• YOLO의 unified architecture는 빠르다.

  → 45 FPS or 130 FPS (Fast YOLO)

• Localization Error는 더 높지만, 배경에 대한 False Positive는 더 낮다.

1. Introduction

YOLO Detection System

1. resizes input image (448x448)
2. 이미지에 대해 Convolutional Network 실행
3. thresholds the resulting detection by the models' confidence

이전 Detection system의 단점

Classifier가 object와 location+BBox scale을 정함.

• Deformable Parts Models(DPM)은 sliding window approach

  → 이미지를 균등하게 나눠서 분류함

• R-CNN은 Region Proposal methods based approach

  → BBox가 있을 만한 곳을 생성

  → 생성된 BBox에서 클래스 분류

  → Post-Processing ⇒ refine bbox, eliminate duplicate detections, rescore boxes based on other objects in the scene

YOLO를 통한 Detection 개선

• Single Regression Problem으로 정의