[DEEPNOID 원포인트레슨]_5_Detection 1. RCNN

220126 작성

<본 블로그는 DEEPNOID 원포인트레슨을 참고해서 공부하며 작성하였습니다>

https://www.deepnoid.com/

인공지능 | Deepnoid

 

 

 

 

 

 

 

 

1. Image recognition

- Classification : 이미지를 통해 물체 판별

- Detection : 물체가 있는 위치를 찾아 물체에 대해 boxing 

- Segmentation : 이미지를 픽셀 단위로 구분하여 각 픽셀이 어떤 물체인지 구분

https://artificialintelligence.oodles.io/blogs/deep-learning-for-image-recognition/

 

 

 

2. Objection Detection

: 영상 내에 존재하는 모든 카테고리에 대해서 classification 과 localization

Objection Detection = Multi-Labeled Classification + Bounding Box Regression ( Localization )

 

 

 

3. Precision-Recall

: 물체를 검출하는 알고리즘의 성능 평가

- AP : 인식 알고리즘의 성능을 하나의 값으로 표현한 평가 지표

- mAP : 물체 클래스가 여러 개 인경우 각 클래스당 AP 구한 후 모두 합해서 물체 클래스의 개수로 나눠줌

• Precision-Recall 그래프

- Precision : 검출 결과들 중 옳게 검출한 비율

- Recall : 실제 옳게 검출된 결과물 중에서 옳다고 예측한 비율

: 반비례

https://towardsdatascience.com/precision-and-recall-made-simple-afb5e098970f

https://cubalytictalks.blogspot.com/2018/08/confusion-matrix.html

1) 1-Stage Detector

: 문제를 동시에 행함 (속도)

ex) YOLO, SSD

 

2) 2-Stage Detector

: 문제를 순차적으로 행하는 방법 (정확도)

ex) R-CNN -> Fast R-CNN -> Faster R-CNN

 

 

4. R-CNN

 

1) Region Proposal

• Feature extraction

- Navive approach

sliding window approach : 이미지를 모두 탐색하면서 classification

 

- Selective Search

: 인접한 영역끼리 유사성을 측정해 큰 영역으로 통합해 나감

: 컬러, 무늬 ,명암 등으로 다양한 그룹화

 

• Image Classiciatinon

: Regional Proposal 을 통해 뽑아낸 2천개의 독립적인 region 을 일정한 크기로 wapping

: 각각의 모든 region 을 convNet으로 feature 추출

2) Classification & Regression

• linear SVM + Bounding Box Regression

: CNN 마지막에 softmax layer 제거, svm 대체하여 학습

: feature vector 로 얻은 proposed box 와 실제 box의 차이 정의

: CNN 통과하여 추출된 벡터와 x, y, w, h를 조정하는 함수의 웨이트 곱해서 바운딩 박스를 조정하여 선형회귀 학습

https://medium.com/@abhimanyu.contact/object-detection-find-me-if-you-can-64851f299436

 

 

3) Metrics

- IoU (Intersection over Union)

- non-Maximum Suppression

: 동일한 object 판단하는 Bbox 제거

 

 

 

 

 

 

5. R-CNN 단점

- 속도

- 복잡한 구조 : Regrion proposal / ConvNet / SVM, Bbox regressor

- Back propagation 불가능 : Multi-stage Training

 

 

 

 

6. Fast R-CNN

: Multi-task Loss Function 도입해 end-to-end 모델

: Region Proposal 단계를 NN 안으로 끌어옴

: Fast R-CNN + Region Proposal Network (RPN)

 

- 하나의 ConvNet 사용

- Region Proposal Network

- ROI Pooling

- Classifier & Regressor

- Multi-Task Loss

1) Feature Extraction

• Regional Proposals

: 전체 이미지를 이미 학습된 CNN 을 통과시켜 피쳐맵 추출

: Selective Search를 통해서 찾은 각각의 RoI 에 대해 RoI Pooling 진행

: GPU 통한 RoI 계산

: Feature map 위에서 nxn conv fliter 를 sliding window

 

- anchor box

: sliding window 가 찍은 지점마다 여러 개의 region proposal 예측

 

• Roi Pooling

: 어떠한 RoI 크기가 나오더라도 적당히 조절해서 고정된 아웃풋 만들기

: 서로 다른 크기의 regions 값을 동일한 크기로 변환

 

2) Classifier & Regressor

• Multi-task Loss

: classification loss + bounding box regression