[OD] Non-Maximum Suppression(NMS)

한 객체당 여러 proposal값이 나올 것이다.

이 문제를 해결하기 위해 NMS알고리즘을 사용하여 proposal의 개수를 줄인다.

 

 

SVM을 통과하여 이제 각각의 박스들은 어떤 물체일 확률 값 (Score) 값을 가지게 되었습니다.

그런데 2천개 박스가 모두 필요한 것일까요?

동일한 물체에 여러 개의 박스가 쳐져있는 것이라면,  가장 스코어가 높은 박스만 남기고 나머지는 제거해야합니다.

이 과정을 Non-Maximum Supperssion이라 합니다.

 

[도표 3] Non Maximum Supperssion

 

서로 다른 두 박스가 동일한 물체에 쳐져 있다고 어떻게 판별할 수 있을까요?

여기서 IoU (Intersection over Union) 개념이 적용됩니다.

쉽게 말하면 두 박스의 교집합을 합집합으로 나눠준 값입니다.

두 박스가 일치할 수록 1에 가까운 값이 나오게 됩니다.

 

논문에서는 IoU가 0.5 보다 크면 동일한 물체를 대상으로 한 박스로 판단하고 Non-Maximum Suppression을 적용합니다.

 

 

NMS 수행하기 전의 예측된 bounding box

 

 

 

NMS 수행한 후의 결과

 

 

NMS (non-maximum-suppression)

 

YOLO

---

NMS와 ground truth를 이용한 IOU값으로 background와 foreground를 구분하는 것은 다르다.

 

IOU >0.5인 것만을 객체로 인식해서 training

• fine tuning
• SVM
• BB regression

시키는 것이다. 이외의 것은 background라고 간주하고 negative값이어서 training시키지 않는다. 

 

이후에 NMS는 convnet, SVM을 통과한 후 나오게 되는 확률값을 이용해서 Bounding Box를 합쳐나가는 방식이다.