MobileNet

Kernel이후 Flatten을 하면 안되는 이유

• Flatten 처리하고 인공 신경망에 입력하게 되면 픽셀 사이의 공간 종속성을 잃어버리는 현상 발생 → 픽셀이 특정한 공간 종속성을 잃어버리면 신경망의 성능이 현저히 나빠지는 현상
• 그래서 합성곱을 먼저 적용하고 Flatten한 다음 이미지를 입력해야 한다

신경망의 성능 개선

1. 특성 검출 개수 변경
   • 특징 검출의 수는 원하는 대로 변경이 가능하다.
   • 특징 검출이나 필터의 수를 더해 정확도를 개선할 수 있었다
2. 드롭아웃(Dropout)
   • 신경망 내의 뉴런 탈락을 의미
   • 인공 신경망 내의 과적합을 줄이는 데 주로 사용
   • 드롭아웃(또는 정규화)으로 뉴런 사이의 공동의존성을 제거하기에 신경망의 있는 과적합도 줄일 수 있게 된다. 이렇게 함으로 신경망이 일반화할 수 있게 된다

CNN이 다루는 문제들

CV(Computer vision)에서 다루는 문제로는 크게 Classification, Localization, Segmentation으로 3가지가 있다

1. Classficiation(분류) : image를 보고 해당 image의 object가 무엇인지 예측하는 문제

   ex) 강아지 image를 보고 강아지인지 맞추는 것

   → AlexNet / VGG / ResNet(ILSVRC challenge model)

2. Localization/Detection(발견) : image안에 object들이 어디에 있는지 찾아내는 문제

   Object가 있는 곳에 bounding box를 그리는 방식으로 표시

   → R-CNN / Fast R-CNN / Faster R-CNN

3. Segmentation(분할) : Detection보다 더 detatil하게 image의 pixel단위로 찾아내고 분류하는 문제

   즉, image를 보고 classification이외에 추가적으로 그 장면을 완벽하게 이해해야 하는 어려운 문제

   → FCN / DeepLab (Google의 Pixel2 phone에 적용 = 사람을 찍을 때 사람을 찾아내 사람 이외의 배경은 흐리게 함)

Semantic Segmentation VS Object Detection

= Object Detection은 image 내에서 object들을 검출한 것을 직사각형의 bounding box로 묶어서 표현

= Semantic Segmentation은 각자 다른 class에 속하는 물체들을 좀 더 정확하게 pixel 단위로 분할해서 표현

==========================================================

Semantic Segmentation VS Instance Segmentation