안녕하세요-섹션 3 RCNN의 이해 02 강의에서 강의노트 중RCNN Training - Classification 제목의 강의안에서 질문드립니다. F.E에서 Ground Truth와 SS Predicted된 영역 IOU가 0.5 이상인 경우만 해당 클래스로, 나머지는 back ground로 fine-tuning했는데 SVM Classifier에서 Ground Truth로만 학습하되 0.3 IOU이하는 Background로 설정하는 방식을 병행하는 이유가 있는지 궁금합니다! 처음부터 F.E에서 IOU를 0.3으로 설정하는 방법도 있었을텐데.. 2단계로 나눠서 순차적으로 IOU를 낮추는 게 어떤 차이가 있는지 궁금합니다!F.E에서 IOU가 0.5 이상인 이미지만 filtering했는데 SVM에서 0.3 이하인 image가 남아 있을 수 있는 건 지, 제가 이해를 잘 못한 건지도 여쭤봅니다!

안녕하세요! keras 기반으로 Faster R-CNN 학습을 시켰습니다(커스텀 데이터) 그리고 test를 하는데 다음과 같이 실행은 되지만 예측 결과 값이 안 나오네요 ㅠ weight 경로 문제일 수 있다해서 경로 또한  config.py 코드도 확인하고 바꿔주었는데 무엇이 문제인지 모르겠습니다 혹시 도움이 될 수 있는 답변 있을까요?

안녕하세요! 다름이 아니라 RCNN 의 Stage1에서 수행되는 Region Proposal에 관한 질문인데요! Stage1에서 약 2000개의 Region Proposal 들이 수행되는데 이것들이 Stage2의 Feature Extractor로 들어가 각 Region Proposal의 특징들을 추출해 Feature map을 완성시키잖아요!? 이 때 강의에서 선생님께서 설명해주셨다시피 Feature Extractor에 따라 Region Proposal의 각기 다른 사이즈를 하나로(강의에서는 아마 257 by 257 이였나.. 그랬을 겁니다..!) 통일 시켜주어야 한다고 하셨잖아요!?  그렇다면 이 Region Proposal들의 사이즈를 통일시켜주는 것은 Feature Extractor가 무슨 종류인지에 따라 달라지는 거겠죠? 제가 Alex net일 때 들어가야 하는 사이즈가 몇이고 VGG일 때는 몇이고 또 다른 CNN모델들은 몇 사이즈여야 한다는 것을 잘 몰라서요! 만약 서로 다르다면 어느정도 통일시켜주는 사이즈 범위가 있을까요? 예를 들어 250~300 사이로 한다던가...  답변 부탁드리곘습니다! 질 좋은 강의에 감사인사드립니다 :)