inflearn logo
강의

講義

知識共有

[改訂版] ディープラーニング・コンピュータビジョン完全ガイド

AP, mAP의 차이점과 Ground Truth Bounding Box 질문입니다!

解決済みの質問

505

iamcodingcat

投稿した質問数 77

0

안녕하세요! 선생님, 예전 머신러닝 강의도 들어왔는데 이번 컴퓨터 비전 강의도 듣게 된 애청자 입니다! 다름이 아니라 질문이 있는데요!

1. AP와 mAP의 차이점에 대해 언급해주실 때 AP는 하나의 오브젝트에 대한 Precision 평균값이고 mAP는 여러 오브젝트에 대한 Precision 평균값들의 '평균값'이라고 설명해주셨는데요!

그렇다면 예를 들어 어떤 이미지에 자동차, 사람, 강아지 이렇게 3개의 오브젝트들이 있을 때 자동차에 대한 AP 따로, 사람에 대한 AP 따로, 강아지에 대한 AP 따로 계산을 하고 이 3가지를 평균값을 낸 걸로 이해하면 맞을까요?

2. 이전 강의에서 Bounding Box를 찾는 게 Regression 문제라고 하셨잖아요!? 그렇다면 어쨋거나 Ground Truth Bounding Box 좌표가 주어진 상태에서 뉴럴 넷이 Regression을 하는 지도학습이라고 볼 수 있는 거죠?

만약 지도학습이라고 한다면 각 이미지 마다 Ground Truth Bounding Box 좌표들은 사람이 직접 레이블링 해주어야 하는 건가요? 뉴럴넷이 알아서 Ground Truth Bounding Box를 찾아서 그 좌표로 수렴할 순 없지 않나요? 뉴럴넷이 찾은 Ground Truth 좌표가local minimum 인지 global minimum인지는 정확히 알 수 없으니까요..? 혹여나 제가 잘못알고 있는 지식이 있다면 지적은 환영입니다! 답변 기다리겠습니다~!

딥러닝 keras 컴퓨터비전 머신러닝 배워볼래요? 딥러닝 tensorflow python 컴퓨터-비전

回答 1

0

dooleyz3525

아이고, 연이어 강의를 선택해 주셔서 감사드립니다.

1. 네, 맞습니다. mAP는 여러 Object들의 AP를 평균한 것입니다.

2. 네, 맞습니다. 지도학습 입니다. 그래서 오브젝트 별로 Ground truth 좌표와 레이블을 직접 만들어 줘야 합니다.  이게 작업이 손이 많이 갑니다.

감사합니다.

0

iamcodingcat

답변 감사합니다!!

강의 환경설정 질문

0

40

2

Custom Dataset에서의 polygon 정보 관련

0

83

3

cvat.ai 보안 수준이 궁금합니다

0

80

2

캐클 nucleus 챌린지 runpod 실습 코드 에러 질문드립니다.

0

95

3

추론 결과의 Precision(또는 mAP) 평가 방법

0

85

2

mmdetection mask rcnn inferenct 실습 시 runpod 템플릿 관해서 질문드립니다.

0

59

2

runpod에서 google drive 연결 시 오류 발생

0

108

2

로드맵 선택

0

66

1

mmcv

0

57

2

Anchor box의 Positive 처리 위치

0

62

2

해당 강의 runpod 적용 후 에러 제보드립니다

0

85

2

run pod credit 관련 제보

0

97

2

mmdetection 2.x과 3.x 호환 관련 표기

0

77

2

mm_faster_rcnn_train_kitti.ipynb 실행 오류

0

96

3

질문 드립니다.

0

76

3

mm_faster_rcnn_train_coco_bccd 실행 오류 질문드립니다.

0

78

1

강사님께 수정을 제안드리고 싶은 것이 있습니다.

0

93

1

google automl efficientdet 다운로드 및 설치 오류

0

73

1

이상 탐지에 사용할 비전 기술 조언 부탁드립니다.

0

102

2

OpenCV 관련 질문드립니다.

0

70

2

mmcv 설치관련해서 문의드려요

0

329

3

강의 구성 관련해서 질문이 있습니다

1

135

2

모델 변환 성능 질문드립니다.

0

122

1

NMS 로직 문의 드려요

0

112

2