리뷰 정보

• 작성 목적: Object Detection의 최신 네트워크 개발 동향을 공부하려던 중 초기 알고리즘에 관심이 생겼다. 초기 구현 알고리즘부터 트랜스포머, 최근 네트워크 경향까지 공부한다면 앞으로의 detection network 개발 방향에 대한 인사이트를 얻을 수 있을 것 같아 정리하고자 한다.
• 전체 개발 연도: 20xx-2025
• 최종 목표: Object detection network 발전에 근간이 되는 핵심 모델들을 직접 구현, 검증하는 것을 최종 목표로 한다.

What is Object detection?

Categories of Object detection methods

A. Traditional methods

• 대부분의 전통적인 객체 탐지 방법은 수작업으로 특징을 추출하여 설계되었다.
• 2012년 이전 방법들의 특징
  • 효율적인 이미지 표현 기법이 부족하여 연구자들은 매우 복잡한 특징 벡터 표현을 생성.
  • 계산 자원의 한계를 보완하기 위해 다양한 속도 향상 기법을 구현.
• 전통적인 객체 탐지 방법의 단계적 절차
  1. 영역 선택(Region selection)
• 객체는 크기와 종횡비가 다양하기 때문에 이미지의 여러 영역에 나타난다.
• Multi-scale sliding window technique:
  • 전체 이미지를 검사하고 객체를 식별.
  • 불필요한 선택이 많고 계산 비용이 매우 높음.

2. 특징 추출(Feature extraction)
– 객체 위치를 파악한 후, 특징 추출 절차를 수행하여 신뢰할 수 있는 표현을 생성한다.

3. 분류(Classification)

• 이 단계에서는 타겟 항목을 인식하기 위해 분류기를 사용하여 구조화되고 의미 있는 모델을 구축한다.

HOG (Histogram of Oriented Gradient)

• paper: Dalal, Navneet, and Bill Triggs. "Histograms of oriented gradients for human detection." 2005 IEEE computer society conference on computer vision and pattern recognition (CVPR'05). Vol. 1. Ieee, 2005.
• 방법:

1. 이미지 창을 작은 공간 영역("셀")으로 나누고,
2. 각 셀에 대해 셀의 픽셀에 걸쳐 그래디언트 방향 또는 에지 방향의 로컬 1차원 히스토그램을 누적.
3. 이러한 히스토그램 항목들을 결합하여 표현을 생성
   

B. Deep learning models

B(1). Two-stage detectors

B(2). one-stage detectors

B(3). Transformer-based detectors

B(4). Lightweight Networks

Reference.

1. A comprehensive review of object detection with traditional and deep
   learning methods, Vrushali Pagire et al, Signal Processing 237.110075, 2025