패스트캠퍼스 환급챌린지 8일차: Computer Vision Signature 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다

 

1. 학습 인증샷 

1. 오늘 날짜 + 공부 시작 시각보이는 사진 1장

2. 오늘 날짜 + 공부 종료 시각이 보이는 사진 1장 

3. 1개 클립수강 인증사진 1장(강의 화면 x/목록캡처 추천)

4. 학습 인증샷 1장 이상(필기, 작업물)

 

 

 

공부 시작 시각 : 2025-11-19 오전 10:30

공부시작 범위 : Ch02-02 EfificientDet

공부 종료시간: 2025-11-19 오후 12:23

공부 종료 범위 : Ch02-02 EfficientDet

학습 인증샷 -필기

 

2. 학습 후기 700자 이상

- 오늘 배운 학습 내용을 정리하고, 흥미로웠던 부분과 이를 내 업무에 어떻게 적용할 수 있을지 기록

 

오늘 배운 단원은 Object Detector의 하나인 EfficientDet에 대한 강의였다. 지난 시간 YOLO에 대해 계보를 알아봤듯이 이번 강의에서도 EfficientDet에 대한 구조와 특징에 대해 전반적으로 살펴보았다. 이름에서 알 수 있듯이 EfficientNet 모델을 백본으로 적용해 만든 것을 알 수 있다. 

EfficientDet의 특징으로는 BiFPN 구조의 제안과 Compound Scailing의 두가지 특징을 갖고 있었다. 전체적으로 파라미터 개수가 많던 기존 모델을 줄이고 적은 연산 대비 높은 정확도를 올리기 위한 모델이었다. 

BiFPN은 양방향 학습메커니즘으로 멀티스케일 피쳐퓨전 기법을 사용하여 다른 input feature의 중요도를 반영하였다. 이는 네트워크에서 궁극적인 목적인 멀티스케일 피쳐조합이 서로 다른 피처를 잘 응집시킬 수 있는 함수가 필요하다는 전제에서 시작된다. FPN-PANet-NAS-FPN의 계보에서 각각 이전 방식의 단점을 보완하여 BiFPN으로 발전된 것이다. 이전 NAS0FPN의 경우 옵티컬한 스케일 커넥션을 찾기 위해 뉴럴 아키텍처 서치를 이용하였으나 탐색시간이 길고, 탐색 결과 반영에도 문제점이 있었다. 따라서 성능향상을 위해 정확성과 효율성을 높이고자 엣지의 경우 하나만 있는 노드들은 영향력이 적다고 여겨 제거하고 노드들간 레벨상 비교를 통하여 동일한 레벨에 있는 경우에는 오리지날 인풋을 추가하여 연관성을 높인다. 패스는 앞 모델들에 비해 좀 더 유연하게 피처 네트워크를 구성했으며 단순 1회성이 아닌 Repeted Blocks 개념으로 작동한다. Weighted Feature Fusion의 경우 서로 다른 결과를 갖는 가중치가 부여된 feature fusion을 Fast normalization을 통하여 해결하려 하였다. 이는 이전 softmax의 GPU연산시 느려지는 문제를 30프로 이상 향상시킨 방법이라고 한다. 

백본으로 쓰는 EfficientNet은 7층의 구조로 Compound Scale 상관계수를 적용하여 디멘션 조정 및 Resolution 조정을 하였고 Input resolution에서 서로 다른 compound 상관계수를 사용하여 D0~D7까지 모델을 개발하였다. 결과적으로 Latency 등의 효율을 도모하였다.

오늘도 과제가 쌓여간다. 이것을 강의로만 듣고 끝내면 무슨 의미가 있을까? 혼자 스스로 실습을 해보아야한다. 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

패스트캠퍼스 URL

https://fastcampus.info/4oKQD6b