본문으로 건너뛰기

바운딩 박스, 폴리곤, 키포인트, 큐보이드 어노테이션

비전 모델에 필요한 어노테이션 형태를 고르고, 형태별로 객체 하나당 드는 비용을 비교하며, Potato에서 모든 형태에 대해 어노테이터 간 일치도를 측정하는 방법을 설명합니다.

어노테이션 형태는 모델이 예측하는 것에서 골라야 합니다. 객체 탐지기는 바운딩 박스로, 인스턴스 분할 모델은 폴리곤이나 마스크로, 자세 모델은 키포인트 집합으로, 3D 탐지기는 포인트 클라우드에 그린 큐보이드로 학습합니다. 지침이나 모델이 아직 바뀌고 있다면 박스로 시작하세요. 박스는 영역 형태 중에서 그리고 검수하기에 가장 저렴하기 때문입니다.

어노테이션 형태란 이미지나 스캔에서 객체가 어디에 있는지 표시하려고 어노테이터가 그리는 기하 도형입니다. 바운딩 박스는 객체를 둘러싸는 축에 정렬된 직사각형이며 숫자 네 개로 저장됩니다. 폴리곤은 객체의 윤곽을 따라가는 꼭짓점의 닫힌 사슬이고, 폴리라인(polyline)은 길이는 있지만 면적이 없는 열린 꺾은선입니다. 키포인트 집합은 스켈레톤 간선으로 이어진, 이름이 붙은 점의 순서 있는 목록이며, 자세 추정 모델을 학습시킵니다. 큐보이드는 3차원의 박스입니다. 어노테이터는 큐보이드를 카메라 이미지에 투영된 형태로 그리거나, 포인트 클라우드에서 방향이 있는 박스로 그립니다.

Potato는 자체 서버에서 실행되는 무료 오픈 소스 어노테이션 도구이며, 이 가이드는 Potato의 도구를 실제 예로 사용합니다. 아래의 모든 2D 형태는 Potato image_annotation 스킴의 도구이고, 3D 큐보이드는 spatial_annotation 스킴에 속합니다. 이미지 분할 마스크 어노테이션 방법은 마스크를 자세히 다루고, 3D 포인트 클라우드 어노테이션 방법은 라이다 작업을 다루며, 이미지 어노테이션 도구 비교는 Potato를 다른 도구와 비교합니다.

모델 종류별로 필요한 형태

모델은 라벨에 인코딩된 것만 학습합니다. 아래 표는 모델 출력의 종류마다 그려야 할 형태, Potato 도구, 그리고 두 어노테이터가 같은 객체를 그렸는지 판단할 때 Potato가 쓰는 유사도를 짝지어 보여 줍니다.

모델이 예측하는 것그릴 것Potato 도구두 어노테이터의 형태를 비교하는 방법
객체마다 클래스와 직사각형(객체 탐지)바운딩 박스bbox박스 IoU
객체마다 클래스와 윤곽(인스턴스 분할, 예: Mask R-CNN)폴리곤, 구멍이나 가는 부분이 있으면 마스크polygon, 또는 mask_mode: instance를 쓴 brush폴리곤 IoU 또는 마스크 IoU
픽셀마다 클래스(시맨틱 분할)마스크brush, fill, sam마스크 IoU
세포와 핵처럼 둥근 객체타원ellipse36개 꼭짓점 폴리곤의 IoU
차선 표시와 균열 같은 선폴리라인polyline거리 허용 범위 내의 경계 F1
자세를 위한 관절 위치스켈레톤이 있는 키포인트 집합keypoint_setObject Keypoint Similarity(OKS)
개수 세기를 위한 객체당 한 곳의 위치랜드마크landmark거리, 이미지의 5%만큼 떨어지면 0점
카메라 이미지 한 장에서 얻는 3D 박스투영 큐보이드cuboid_2d앞면의 IoU
라이다나 깊이 데이터의 3D 박스3D 큐보이드spatial_annotation의 cuboid_3d회전을 반영한 정확한 3D IoU

모델이 필요로 하는 것보다 풍부한 형태는 어노테이터의 시간을 쓰게 하면서 학습 때는 아무것도 더해 주지 않습니다. 모델이 필요로 하는 것보다 빈약한 형태는 나중에 고칠 수 없습니다. 박스에는 윤곽이 없지만, 어떤 윤곽이든 그것을 둘러싸는 박스는 내보낼 때 계산할 수 있으며, Potato의 COCO 내보내기는 모든 폴리곤과 마스크에 bbox를 씁니다.

객체당 그리는 비용

객체당 어노테이션 비용은 어노테이터가 찍고 확인해야 하는 점의 수에 따라 늘어납니다. 박스와 폴리곤에 대해서는 발표된 측정값이 있으며, 둘 다 대규모 크라우드소싱 데이터셋에서 해당 프로젝트 고유의 인터페이스로 측정한 것입니다.

  • 바운딩 박스. Papadopoulos 외(2017)가 보고한 바에 따르면, ILSVRC 데이터셋에서 고품질 박스 하나를 그리는 데 35초가 걸렸습니다. 같은 논문은 극점 클릭 방식에서는 박스당 7초라고 보고합니다. 극점 클릭에서는 어노테이터가 객체의 맨 위, 맨 아래, 맨 왼쪽, 맨 오른쪽 점을 클릭합니다. Potato의 bbox 도구는 직사각형을 끌어서 그리는 기존 방식을 씁니다.
  • 폴리곤. COCO를 위해 객체 인스턴스의 윤곽을 그리는 데 분할 1,000개당 22 작업자 시간 이상, 즉 객체당 약 79초가 걸렸습니다(Lin 외, 2014).
  • 키포인트와 큐보이드. Potato 팀은 키포인트 집합이나 3D 큐보이드에 대해 출처를 확인할 수 있는 발표된 객체당 소요 시간을 찾지 못했습니다. 파일럿으로 직접 측정하세요.

두 측정값은 서로 다른 데이터셋과 인터페이스에서 나온 것입니다. 이 두 숫자는 내 데이터에 적용되는 비율이 아니라 자릿수의 감각으로 받아들이세요. 후보 형태마다 내 이미지로 짧은 파일럿을 돌려 시간을 재세요. Potato의 그리기 텔레메트리는 확정된 각 형태를 타임스탬프와 꼭짓점 수와 함께 기록하고, 어노테이션 비용 계산기는 객체당 시간을 예산으로 바꿔 줍니다.

형태별 일치도 측정

형태에 대한 일치도는 매칭에서 시작합니다. Potato는 같은 이미지에서 한 어노테이터의 객체를 다른 어노테이터의 객체와 짝지으며, 두 집합이 허용하는 한 임계값을 넘는 짝이 최대한 많이 남도록 짝을 맺습니다. 형태의 유사도가 0.5에 이르면 두 형태를 같은 객체로 칩니다. Potato는 0.5라는 임계값을 COCO 탐지의 관례에서 가져옵니다. 박스는 IoU로, 폴리곤과 타원은 면적의 IoU로, 투영 큐보이드는 앞면의 IoU로 비교합니다. 폴리라인에는 IoU가 측정할 내부가 없으므로 Potato는 경계 F1으로 폴리라인을 채점합니다. 경계 F1은 각 궤적의 점 중 다른 궤적 가까이에 있는 점의 비율에 대한 조화 평균입니다.

키포인트 집합은 Object Keypoint Similarity(OKS)로 비교합니다. COCO가 키포인트 평가를 위해 정의한 OKS는 각 관절의 거리를 객체의 크기와 관절별로 정한 허용치로 나눠 조정합니다. COCO는 상수를 눈에 0.025, 엉덩이에 0.107로 정했는데, 어노테이터가 엉덩이보다 눈을 더 일관되게 찍기 때문입니다. 두 어노테이터 중 한 명이라도 라벨링하지 않은 관절은 Potato가 건너뜁니다. 빠진 관절과 잘못 찍은 관절은 서로 다른 불일치이기 때문입니다.

/admin/iaa의 보고서는 그다음 불일치를 세 가지 질문으로 나눕니다.

  • 탐지. 어노테이터들이 같은 객체를 찾았는가? Potato는 존재 여부에 대한 명목형 Krippendorff's α를 보고합니다.
  • 분류. 짝지어진 객체에 같은 라벨이 붙었는가? Potato는 짝지어진 객체의 라벨에 대한 명목형 Krippendorff's α를 보고합니다.
  • 위치 지정. 짝지어진 객체가 같은 위치에 있는가? σ는 같은 이미지에서 짝지어진 객체 사이의 평균 거리를 서로 다른 이미지의 객체 사이의 평균 거리와 비교하고, Kolmogorov–Smirnov 통계량으로 두 분포를 비교합니다.

σ는 완전히 일치하면 1이고, 어노테이터들의 일치가 서로 무관한 이미지를 맡은 어노테이터들의 일치보다 나을 것이 없으면 0입니다. 크고 중앙에 있는 객체로 이루어진 코퍼스에서는 누가 박스를 그리든 원시 평균 IoU가 높게 읽히며, σ는 쉬운 작업의 영향을 보정합니다. Braylan 외(2022)의 벤치마크에서는 IoU 거리로 계산한 Krippendorff's α가 단순 L2 거리로 계산한 α보다 어노테이터의 품질 순위를 더 나쁘게 매겼습니다. 그래서 Potato는 IoU 거리에 대한 α 대신 σ를 보고합니다. 공간 라벨에 대해 우연 보정된 일치도를 보고하는 다른 어노테이션 플랫폼은 우리가 아는 한 찾지 못했습니다. 바운딩 박스에서 어노테이터 간 일치도를 측정하는 방법은 이 방법을 설명하고, 기하에 대한 일치도는 보고서를 설명합니다.

σ 안에서 쓰는 기본 거리는 짝지어진 각 객체를 둘러싸는 박스에 대한 GIoU입니다. 따라서 폴리곤, 폴리라인, 키포인트 집합에서는 위치 지정 σ가 둘러싸는 박스가 어디에 있는지를 측정합니다. 형태 자체의 유사도는 매칭과 탐지 점수를 통해 반영됩니다.

3D 큐보이드에는 별도의 보고서가 있습니다. Potato는 임의의 회전에 대해 두 큐보이드의 부피 IoU를 정확히 계산하며, 3D IoU가 0.25에 이르면 두 큐보이드를 하나의 객체로 칩니다. 짝이 없는 큐보이드는 완전한 불일치로 세고, 짝지어졌지만 라벨이 다른 큐보이드는 절반의 점수를 받으며, 보고서는 어노테이터 쌍별 평균을 제공합니다. 3D 보고서에는 우연 기준선이 없습니다. 시퀀스의 경우 Potato는 키프레임 사이를 보간한 박스로 각 프레임을 채점하고, 어노테이터 쌍마다 트랙 사이의 MOTA, IDF1, 신원 전환을 더합니다. 참고로 KITTI 3D 객체 벤치마크는 자동차에 70%, 보행자와 자전거 탑승자에 50%의 3D 겹침을 요구합니다.

박스로 시작해 나중에 다듬기

클래스 목록이나 지침이 아직 움직이고 있다면 박스가 알맞은 첫 형태입니다. 박스는 지침이 바뀐 뒤에도 빨리 다시 그릴 수 있고, 박스 일치도는 어노테이터들이 애초에 같은 객체를 찾는지를 일찍 보여 줍니다. 탐지 Krippendorff's α가 낮다면 객체 정의가 불분명하다는 뜻입니다. 더 정밀한 형태로는 불분명한 정의를 고칠 수 없습니다.

박스에서 더 세밀한 형태로 가는 길은 세 가지입니다.

  • 박스에서 마스크로. sam 도구에서는 박스를 끌면 그 박스 안쪽의 마스크를 분할 모델에 요청합니다. 이 모델은 potato download-models onnxruntime과 potato download-models mobile_sam을 실행한 뒤 어노테이터의 브라우저에서 동작합니다.
  • 탐지기를 위한 윤곽. Roboflow의 2023년 7월 19일 게시물은 두 방식으로 라벨링한 408장 규모의 소화전 이미지 데이터셋에서 YOLOv8을 처음부터 학습시킨 결과를 보고합니다. 폴리곤 라벨이 더 높은 mAP50을 냈습니다. Potato 팀은 이 게시물을 2026년 11월 17일에 읽었습니다. Roboflow의 결과는 데이터셋 하나와 모델 하나에 대한 것입니다. 윤곽에 비용을 들이기 전에 내 데이터로 이득을 시험해 보세요.
  • 클래스마다 다른 형태. 하나의 image_annotation 스킴에서 여러 도구를 켤 수 있습니다. 프로젝트는 대부분의 클래스를 박스로 그리고, 모델이 경계를 필요로 하는 클래스만 윤곽으로 그릴 수 있습니다.

Potato는 종류가 다른 형태를 서로 짝짓지 않습니다. 따라서 한 어노테이터는 박스로, 다른 어노테이터는 윤곽으로 그린 클래스는 완전한 불일치로 채점됩니다. 각 클래스의 형태를 어노테이션 지침에 적어 두세요.

Potato의 각 형태

첫 번째 설정은 완전한 설정입니다. 이후의 각 블록은 첫 번째 설정의 annotation_schemes 목록을 대체합니다.

바운딩 박스

Potato는 박스를 이미지에 대해 정규화한 좌표의 {x, y, width, height}로 저장합니다. 박스는 축에 정렬되어 있습니다. 위에서 본 배처럼 회전한 객체의 각도는 꼭짓점 네 개의 폴리곤으로 기록합니다. 데이터 파일의 각 줄에는 id와 image_url이 들어 있습니다.

yaml
annotation_task_name: "Street scene detection"
task_dir: "."
data_files:
  - "data/images.jsonl"
item_properties:
  id_key: id
  text_key: image_url
output_annotation_dir: "annotation_output/"
 
annotation_schemes:
  - annotation_type: image_annotation
    name: objects
    description: "Draw a tight box around every car, person, and bicycle."
    tools: [bbox]
    min_annotations: 1
    labels:
      - {name: car, color: "#FF6B6B", key_value: "1"}
      - {name: person, color: "#4ECDC4", key_value: "2"}
      - {name: bicycle, color: "#45B7D1", key_value: "3"}
 
agreement_metrics:
  enabled: true
num_annotators_per_item: 2

num_annotators_per_item: 2는 각 이미지를 어노테이터 두 명에게 보냅니다. 일치도를 구하려면 이미지마다 어노테이션이 두 개 이상 있어야 합니다. min_annotations: 1은 빈 제출을 거부하며, 모든 이미지에 객체가 하나 이상 있는 코퍼스에 알맞습니다. 탐지기용으로 내보내려면 내보내기 CLI를 사용합니다.

bash
python -m potato.export --config config.yaml --format coco --output ./export/
python -m potato.export --config config.yaml --format yolo --output ./export/

첫 번째 명령은 COCO annotations.json을 쓰고, 두 번째 명령은 이미지마다 YOLO 라벨 파일 하나를 data.yaml 및 classes.txt와 함께 씁니다. 입력한 객체 이름으로 박스를 그리려면 이름을 입력해 객체에 라벨 붙이는 방법을 참고하세요.

폴리곤과 타원

어노테이터는 꼭짓점마다 클릭하고 더블클릭으로 닫아 폴리곤을 그립니다. 폴리곤에는 꼭짓점이 세 개 이상 필요합니다. 모델이 경계를 사용하고 객체가 속이 찬 것이라면 폴리곤을 쓰세요. 타원은 한 번 끌어서 둥근 객체에 맞출 수 있으며, Potato는 타원을 중심, 반지름 둘, 각도로 저장합니다. 내보내기에서는 각 타원을 꼭짓점 36개의 폴리곤으로 쓰므로, 폴리곤을 읽는 모든 형식이 타원도 읽습니다.

yaml
annotation_schemes:
  - annotation_type: image_annotation
    name: nuclei
    description: "Outline every nucleus. Use the ellipse for round nuclei and the polygon for irregular ones."
    tools: [polygon, ellipse]
    labels:
      - {name: nucleus, color: "#E6194B", key_value: "1"}

BBBC038 핵 윤곽 디자인과 SpaceNet 건물 외곽선 디자인은 완전한 폴리곤 작업입니다.

폴리라인

폴리라인은 두 개 이상의 점으로 이루어진 열린 경로이며, 어노테이터는 더블클릭으로 폴리라인을 마칩니다. 차선 표시, 균열, 혈관, 케이블, 해안선은 폴리라인 객체입니다. 차선 표시나 균열에는 길이는 있어도 내부가 없기 때문입니다. 폴리라인을 닫아 폴리곤으로 만들면 어노테이터가 그린 적 없는 면적을 주장하는 셈이 됩니다. COCO에는 열린 경로 유형이 없으며, Potato의 COCO 내보내기는 각 폴리라인을 빈 segmentation과 area: 0으로 쓰고 점은 비표준 polyline 키 아래에 둡니다.

yaml
annotation_schemes:
  - annotation_type: image_annotation
    name: lanes
    description: "Trace each lane marking from the bottom of the image to where the marking ends."
    tools: [polyline]
    labels:
      - {name: solid_line, color: "#F1C40F", key_value: "1"}
      - {name: dashed_line, color: "#3498DB", key_value: "2"}

키포인트 집합과 스켈레톤

키포인트 집합은 순서 있는 점의 목록을 담은 하나의 어노테이션입니다. skeletons 블록은 각 점에 이름을 붙이고 점 사이의 간선을 인덱스로 나열하며, 순서가 각 점의 의미를 정합니다. 어노테이터는 선언된 순서대로 점을 찍고, 마지막 이름까지 찍으면 집합이 완성됩니다. 나머지 관절이 프레임 밖에 있다면 더블클릭으로 집합을 일찍 마칠 수 있습니다.

yaml
annotation_schemes:
  - annotation_type: image_annotation
    name: pose
    description: "Place each joint of every visible person in the skeleton's order."
    tools: [keypoint_set]
    labels: [person]
    skeletons:
      coco_person:
        names: [nose, left_eye, right_eye, left_ear, right_ear,
                left_shoulder, right_shoulder, left_elbow, right_elbow,
                left_wrist, right_wrist, left_hip, right_hip,
                left_knee, right_knee, left_ankle, right_ankle]
        edges: [[0,1],[0,2],[1,3],[2,4],[5,6],[5,7],[7,9],[6,8],[8,10],
                [5,11],[6,12],[11,12],[11,13],[13,15],[12,14],[14,16]]

Potato의 COCO 내보내기는 각 집합을 가시성 플래그가 있는 COCO keypoints 배열로 씁니다. 일치도는 COCO의 관절별 상수와 함께 OKS를 사용합니다. COCO는 위의 17점 사람 스켈레톤에 대해 상수를 정했고, 사용자 정의 스켈레톤의 관절은 COCO에서 같은 인덱스에 있는 관절의 상수를 따릅니다. 관절마다 라벨 하나를 둔 landmark 점으로 나누면 묶음이 사라지고, 한 이미지의 두 사람이 점 더미 하나가 되어 버립니다.

분할 마스크

마스크는 픽셀에 라벨을 붙이며, 구멍이나 가는 부분이 있는 객체에 알맞습니다. Potato의 brush, eraser, fill, sam 도구가 마스크를 칠합니다. mask_mode: semantic은 클래스의 모든 획을 하나의 영역으로 합치고, mask_mode: instance는 각 객체를 따로 유지합니다.

yaml
annotation_schemes:
  - annotation_type: image_annotation
    name: instances
    description: "Paint each animal as its own object."
    tools: [brush, eraser, fill]
    mask_mode: instance
    labels: [cat, dog]

이미지 분할 마스크 어노테이션 방법은 경계 규칙과 클릭 분할을 다루고, STAPLE을 이용한 마스크 합의는 여러 어노테이터의 마스크를 병합하는 방법을 다룹니다.

투영 큐보이드

cuboid_2d 도구는 KITTI 방식으로 카메라 이미지 한 장에 3D 박스를 그립니다. 어노테이터는 보이는 앞면을 끌어서 그린 다음, 한 번 클릭해 깊이 오프셋을 정합니다. Potato는 앞면을 깊이 오프셋만큼 이동해 뒷면을 만들고, 두 면을 모두 사각형으로 저장합니다. 따라서 그려진 박스에는 원근에 따른 크기 변화가 없고 미터 단위의 깊이도 없습니다. 이미지만 있고 모델이 객체의 보이는 범위와 대략적인 방향을 필요로 할 때 cuboid_2d를 쓰세요. 미터 단위의 위치를 예측하는 3D 탐지기에는 포인트 클라우드의 큐보이드가 필요합니다.

yaml
annotation_schemes:
  - annotation_type: image_annotation
    name: vehicles
    description: "Drag the face of each vehicle nearest the camera, then click to set the depth."
    tools: [cuboid_2d]
    labels:
      - {name: car, color: "#FF6B6B", key_value: "1"}
      - {name: truck, color: "#4ECDC4", key_value: "2"}

포인트 클라우드의 3D 큐보이드

cuboid_3d 도구가 있는 spatial_annotation 스킴은 라이다나 깊이 포인트 클라우드에 방향이 있는 박스를 그립니다. 각 박스는 중심, 미터 단위 크기, 회전을 모두 센서 좌표계로 저장합니다. cuboid_3d를 켜면 뷰어에 직교 슬래브 뷰 세 개가 추가되고, 새 박스는 바닥면 범위 안에 있는 점에 맞춰 높이가 자동으로 맞춰집니다. calibration_field에 지정한 캘리브레이션 파일이 있으면 각 박스를 이미지에 투영해 2D로 확인하는 카메라 패널이 켜집니다. 각 항목은 point_cloud 필드에 포인트 클라우드를, calibration 필드에 캘리브레이션을 지정합니다.

yaml
annotation_schemes:
  - annotation_type: spatial_annotation
    name: objects
    description: "Put an oriented 3D box around every vehicle and pedestrian."
    source_field: point_cloud
    calibration_field: calibration
    tools: [cuboid_3d]
    labels:
      - {name: car, color: "#FF6B6B", key_value: "1"}
      - {name: pedestrian, color: "#FFD93D", key_value: "2"}

python -m potato.export --config config.yaml --format kitti_3d --output ./export/는 큐보이드용 KITTI 라벨 파일을 씁니다. KITTI 디자인과 nuScenes 3D 큐보이드 디자인은 완전한 작업이며, 3D 포인트 클라우드와 큐보이드에는 모든 옵션이 나와 있습니다.

자주 묻는 질문

바운딩 박스와 폴리곤 어노테이션의 차이는 무엇인가요?

바운딩 박스는 객체의 위치와 범위를 축에 정렬된 직사각형 하나로 기록하고, 폴리곤은 객체의 윤곽을 꼭짓점의 닫힌 사슬로 기록합니다. 박스는 객체 탐지기를 학습시키고, 폴리곤은 인스턴스 분할 모델을 학습시키면서 그것을 둘러싸는 박스도 만들어 줍니다. 발표된 크라우드소싱 측정값은 객체당 박스가 35초, COCO 폴리곤이 약 79초이며, 두 수치 뒤의 인터페이스는 서로 다릅니다. Potato는 두 어노테이터의 박스를 박스 IoU로, 두 폴리곤을 면적의 IoU로 비교합니다.

3D 큐보이드 어노테이션이란 무엇인가요?

3D 큐보이드 어노테이션은 라이다 포인트 클라우드나 다른 3차원 데이터에서 각 객체 둘레에 방향이 있는 박스를 그리는 작업입니다. 같은 작업을 3D 바운딩 박스 어노테이션이라고도 부릅니다. 각 큐보이드는 객체의 중심, 미터 단위 크기, 객체의 회전을 기록하며, 3D 객체 탐지기는 그 큐보이드로 학습합니다. 벤치마크는 3D IoU로 큐보이드를 채점하고, KITTI는 자동차에 70%의 겹침을 요구합니다. 카메라 이미지에 그리는 투영 큐보이드는 그리는 비용이 더 낮지만 미터 단위의 깊이가 없습니다.

폴리라인 어노테이션이란 무엇인가요?

폴리라인 어노테이션은 선형 객체를 길이는 있지만 둘러싸인 면적이 없는 열린 점의 사슬로 따라 그립니다. 이미지에서 차선 표시, 도로 가장자리, 균열, 혈관이 흔한 폴리라인 객체입니다. 폴리라인에 대한 어노테이터 간 일치도는 두 궤적의 점에 대한 경계 F1을 씁니다. IoU에는 폴리라인에 없는 내부가 필요하기 때문입니다.

더 읽을거리

참고문헌

  • Braylan, A., Alonso, O., and Lease, M. (2022). Measuring Annotator Agreement Generally across Complex Structured, Multi-object, and Free-text Annotation Tasks. Proceedings of the ACM Web Conference 2022. https://doi.org/10.1145/3485447.3512242
  • He, K., Gkioxari, G., Dollár, P., and Girshick, R. (2017). Mask R-CNN. 2017 IEEE International Conference on Computer Vision (ICCV). https://doi.org/10.1109/ICCV.2017.322
  • Lin, T.-Y., Maire, M., Belongie, S., Bourdev, L., Girshick, R., Hays, J., Perona, P., Ramanan, D., Zitnick, C. L., and Dollár, P. (2014). Microsoft COCO: Common Objects in Context. Computer Vision – ECCV 2014. https://doi.org/10.1007/978-3-319-10602-1_48
  • Papadopoulos, D. P., Uijlings, J. R. R., Keller, F., and Ferrari, V. (2017). Extreme Clicking for Efficient Object Annotation. 2017 IEEE International Conference on Computer Vision (ICCV). https://doi.org/10.1109/ICCV.2017.528
  • Rezatofighi, H., Tsoi, N., Gwak, J., Sadeghian, A., Reid, I., and Savarese, S. (2019). Generalized Intersection over Union: A Metric and a Loss for Bounding Box Regression. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). https://doi.org/10.1109/CVPR.2019.00075

예시 디자인

각 디자인은 내려받아 바로 실행할 수 있는 Potato 설정입니다.