[10주차] 추가공부

# 오늘 코드 - 조은 강사님과 함께하는 수업💖

# 10주차 동안 진행한 3일의 수업 중 더 공부해보고싶거나 복습해보고 싶었던 내용 정리입니다.

 

 

Object Detection 성능 평가 지표

---

• Object Detection (물체 검출) 이란?
  
  • 입력 영상이 주어질 때, 영상 내에 존재하는 모든 객체 인스턴스에 대해 분류와 지역화를 수행하는 작업
    ✔ 분류 : 영상에 있는 물체의 class를 알아내는 것
    ✔ 지역화 : 영상에 있는 물체의 위치를 알아내는 것
    

◆ Object Detection 성능 평가 지표

• IoU (Intersection over union)
  : 서로 다른 박스가 두개 있을 때 두 박스가 얼마나 겹치는가를 0~1 사이의 값으로 나타낸 것
  ✔ 물체 검출 시 예측된 검출 영역과 실제 검출 영역의 겹치는 정도를 나타냄
      → 높을 수록 예측이 잘 되었다고 말할 수 있음
  ✔ threshold(임계값)을 a로 정하여 IoU가 a보다 높을 시 물체라고(positive) 판단하고,
      낮을 시 물체가 아니라고(negative) 판단하게 정할 수 있음

 

•  Recall (재현율) 
  : 실제 True인 것 중에서 모델이 True라고 예측한 것의 비율
  ✔ TP : 실제 Trure인 것 중에서 모델이 True라고 예측한 개수
  ✔ FN : 실제 True인 것 중에서 모델이 False라고 예측한 개수
  📌 물체 검출에서 이는 "실제 물체들(TP+FN) 중 제대로 검출된 것의 비율"을 의미할 수 있음
         (ex) 실제 물체는 10개 / 알고리즘이 검출해낸 물체가 5개 / 맞춘 물체 4개
                 → recall = 4/10 = 0.4

recall 공식

 

• Precision (정밀도)
  : 모델이 True 라고 예측하였을 때 실제도 True인 비율
  ✔ TP : 모델이 True라고 예측한 것 중에서 실제 True인 것
  ✔ FP : 모델이 True라고 예측한 것 중에서 실제 False인 것
  📌 물체 검출에서 이는 "모든 검출 결과(TP+FP) 중 옳게 검출한 비율"을 의미할 수 있음
         (ex) 실제 물체는 10개 / 알고리즘이 검출해낸 물체가 5개 / 맞춘 물체 4개
                 → precision = 4/5 = 0.8

Precision 공식

 

• Precision-Recall Curve
  : confidence level에 대한 Threshold(임계값)의 변화에 의한 물체 검출기의 성능을 평가하는 방법
  ✔ confidence level : 검출한 것에 대해 알고리즘이 얼마나 확신이 있는지를 알려주는 값
  ✔ confidence level에 대한 임계값을 어떻게 정하느냐에 따라
      검출된 물체를 실제 물체라는 판단을 다르게 내릴 수 있음
  • Precision-Recall Curve 그리기 (예시)
    (1) 15개의 물체가 있을 때 물체 검출기 알고리즘의 결과
    (2) 이 결과를 confidence level을 기준으로 내림차순 정렬
    (3) 위에서 부터 해당 confidence level을 confidence level에 대한 임계값으로 지정하여
         Precision과 Recall을 계산
         (ex) E의 경우 confidence level이 91% 이상은 물체라고 판단하고 계산
    (4) (3)에서 구한 Recall과 Precision을 그래프로 그리기 ( Precision-Recall Curve )
    

(1)

(2)

(3)

(4)

 

 참고 및 출처 

https://bskyvision.com/465

물체 검출 알고리즘 성능 평가방법 AP(Average Precision)의 이해