논문스터디 | R-CNN | 2021.10.25

# 슬라이딩 윈도우 방식

- 네모박스(윈도우)를 만들어서 왼쪽 상단에서부터 오른쪽 하단까지 이동하면서 오브젝트를 Detection하는 방식

 

윈도우를 크게 만들거나 줄이는 방법

윈도우 크기는 유지하고 이미지 크기를 조정하는 방법

->관심있는 오브젝트가 윈도우 안에 들어오게 하는 방식

 

영역 추정 방식이 나타나지 않는 경우에 사용됨

수행시간이 길고, 검출 성능이 상대적으로 낮다.

 

# Region proposal(영역 추정) 방식

대표적인 방법은 selective Search

- 빠른 Detection

- 해당 이미지에서 selective search 알고리즘을 적용하면 유사한 부분끼리 구분하여 Segmentation을 만든다.

1. 개별 세크먼트된 모든 부분들은 바운딩 박스로 만들어서 Region Proposal 리스트에 추가

2. 컬러, 무늬, 크기, 형태에 따라 유사도가 비슷한 세크먼트들을 그룹핑함

 

# R-CNN

대표적인 Two-stage Detector

향후 Fast R-CNN, Faster R-CNN이 등장한다.

 

# R-CNN 아키텍처

1. 이미지 입력

2. region Proposals 진행

3. 2000장이나 되는 이미지 추출

4. 해당 이미지를 227*227로 맞춰준다.(Crop % Scale)

5. 리전을 분류한다. 

 

# R-CNN 학습

Bounding box Linear Regression(ridge regression)

Ground box와 SS Predicted 박스와 최대한 맞도록 한다.

수정 예측 값으로 조정한다.

 

 

보전 값이 0,0,0,0 으로 나오면

.25,0,0, x 좌표 보정 필요

0,0,-.125.0보정값을 줄여라

 

# R-CNN Training Step1

 

# 장점

알렉스넷이 이미지 Classification 문제 영역에 대해서 보여준것처럼

딥러닝을 이용해서 객체 탐지의 성능을 엄청나게 개선할 수 있다는 가능성을 보여줌 : 많으 아이디어를 제안함

 

# 단점

한장의 이미지에 대해 오래 걸리는 추론 시간

불필요하게 복잡한 파이프라인

블필요하게 복잡한 학습  프로세스

-> 그래서 Fast, Faster 알고리즘이 나왔다.