Object Detection

 

 

다양한 CNN을 적용하여 객체(배경) 분류 

 

엄청나게 많은 서브 영역이 존재하고 많은 컴퓨팅 파워가 소모된다.

 

 

Selective Search방식은 개체를 포함할 가능성이 있는 blobby이미지 영역을 찾는다. 

색 변화를 통해 변화하는 지점을 확인해서 바운딩 박스를 만드는 기법이다. 

상대적으로 빠르게 실행된다. 

선택적탐색은 객체인식이나 검출을 위한 가능한 후보영역(객체가있을만한 위치, 영역)을 알아내는 방법

선택적탐색은 분할방식을 이용하여 시드(seed)를 선정하고, 그시드에 대한 완전탐색을적용

선택적탐색은 다음 세단계 과정을거침

1단계. 초기 영역 생성(sub-segmentation)

각각의 객체가 영역한개에 할당될 수 있도록 많은 초기 영역을 생성( 입력된 이미지를 영역다수개로 분할하는 과정)

 

R-CNN 학습 1단계

 

2단계. 작은 영역의 통합

1단계에서 영역여러개로 나눈것들을 비슷한 영역으로 통합하는데, 이때 탐욕(greedy) 알고리즘을 사용하여 비슷한 영역이 하나로통합될때까지 반복

 

R-CNN 학습 2단계

 

3단계. 후보 영역 생성

2단계에서 통합된이미지들을 기반으로 다음그림과같이 후보영역(바운딩 박스)을 추출

R-CNN 학습 3단계

 

 

 

Fast R-CNN

R-CNN이 너무 느려서 새로 나왔다.

이미지를 통째로 피처맵으로 바꾼 후 그 상태에서 selective search를 돌린다. 

이후 crop, Resize feature를 한다. 

(좌) Fast R-CNN (우) R-CNN

 

 

시간이 매우 많이 준 것을 알 수 있다.