[Object Detection - 2] 딥러닝 : 객체 인식

객체 인식은 2013년 R-CNN이 나오면서 딥러닝을 사용하기 시작함

객체 인식을 위해 주로 사용했던 방법 : 슬라이딩 윈도우

 

저 파란 박스가 왼쪽에서부터 오른쪽으로 움직이면서 개가 있는지 또는 고양이가 있는지 등 확인을 함

근데 이러기 위해선 정말 많은 파란 박스가 필요하기 때문에 비용적으로 비효율적임

또, 이미지에 어떤 객체가 있을지 알 수가 없음

그만큼 경우의 수가 다양해짐

 

---

Region Proposals

그래서 나온게 region proposal이라는 방법임

이 방법은 딥러닝을 사용하는게 아님

 

 Object가 있을법한 BBox를 제공해 줌

이미지 내에 뭉텅진 곳(Blobby)을 찾아냄 : 객체가 있을지도 모르는 후보 영역

 

 

Selective search

 

Region proposal을 만들어낼 수 있는 방법 중 하나

 

• 2000개의 bounding box를 찾아냄
• 입력 영상에 대해 segmentation 실시, 이를 기반으로 후보영역을 찾기 위한 시드 설정
• 주변 픽셀 간의 유사도를 기준으로 segmentation 생성
• 초기에 많은 후보들이 만들어지지만, 이 과정들을 반복해 나감
• 후보 영역의 개수가 줄어들고 box 수도 줄어들게 됨

 

그럼, 이러한 region proposal 방법을 활용한 것 중 하나가 R-CNN

 

---

R-CNN

• 먼저, region proposal 단계에서 RoI를 찾음 (위에서 언급된 방법 활용)
• 이때, RoI의 사이즈는 각양 각색임
  • 추출된 RoI로 CNN 분류를 수행하기 위해서 같은 입력 사이즈로 맞춰줘야함
  • 고정된 사이즈로 크기 변경 (224x224 크기로 변경)
• 그런 다음, ConvNet에 통과 시킴 (AlexNet 구조 사용)
• 최종적으로 4096 차원의 feature vector를 추출해냄
• SVM에 각각의 feature vector들의 점수를 클래스 별로 할당
• BBox Regression
  • 처음에 정답 박스와 cnn을 통과해서 나온 box 두가지의 차이를 줄이도록 조정하는 모델

 

* R-CNN 단점

- 2,000개 각각의 region proposal이 CNN 입력으로 들어가기 때문에 계싼비용이 매우 높음

- 학습 과정 자체가 상당히 오래 걸림

 

이러한 단점을 극복한게 Faster R-CNN (다음 글에서!)

 

- one-stage/two-stage 차이는 YOLO 공부하면서 할 예정!

 

객체 인식의 처음 흐름에 대해서 살펴 보았음

예전에 객체 인식을 처음 공부할때, region proposal이라는 부분이 정말 이해가 가질 않았는데

시간이 지나고 보니깐 사실은 정말 간단한 개념이었다..

그땐 왜그렇게 어려웠는지..

 

---

Ref

https://velog.io/@whiteamericano/R-CNN-%EC%9D%84-%EC%95%8C%EC%95%84%EB%B3%B4%EC%9E%90

R-CNN 을 알아보자

https://ganghee-lee.tistory.com/35

(논문리뷰) R-CNN 설명 및 정리