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. 선생님. 강의 잘 듣고 있습니다. 질문이 2가지 있습니다. 1. IoU 실습에서 41개 나오던게 53개 나온거 이거 강의중에 random 값 때문에 그런거 같다고 하셨는데, 그게 아니라 직접 그리신 빨간선까지 포함되어서 그런것같습니다. 빨간선을 img_rgb에 직접 그리셔서, 이게 포함되다보니 bounding box가 몇개 추가된것같아요. 그래서 실제로 IoU 제일 높은 두 bounding box는 빨간 선 가장자리에 생깁니다. 2. 재현율과 정밀도 재현율과 정밀도 단원에서, 설명하시면서 새를 새로 예측하는지, 고양이로 잘못예측하지는 않는지 이런 그림이 있었잖아요 (10:20 부근) 여기서 FP 들이 FN이기도 한게 아닌지 질문드립니다. 고양이라고 고양이에 대해 Positive 예측을 했는데 틀렸으니 False Positive 이지만, 새에 대해서는 없다고 했으니 False Negative 이기도 한 것이죠. 새를 고양이로 예측한 사진의 경우 이걸 FP로만 해석한다면, 재현율인 TP/(FN+TP) 에서 TP = 0, FN = 0 이 되어 0/0 이 되지 않습니까. 예를 들어 새 두마리가 있는 사진에서 한마리는 새, 한마리는 고양이로 판단했을 경우 재현율은 0.5여야 맞는데, 위의 판단대로면 TP=1, FN=0, FP=1 가 되어 정확도 0.5에 재현율 1이 되는 걸로 보입니다. 따라서 대상을 잘못 예측한 경우는 FP이기도 하지만FN 이기도 한게 아닌지 궁금합니다. 답변 기다리겠습니다. 질문 읽어주셔서 감사합니다.