Object Detection 분야의 근간이 되는 Faster R-CNN
🟣 Intro
Object detection은 딥러닝 task에서 기본적이지만 가장 널리 쓰이고 있을 정도로 중요한 task이다. 특히 YOLO라는 논문은 굉장히 유명했지만 완전하게 이해할만한 기회는 없었는데, 이번 기회에 차근차근 object detection을 한번 정리해보려한다.
⚪ Object detection이란?
Object detection = Classification + Regression
두 가지가 합쳐진 약간의 복잡한 task라고 정의할 수 있다. 그러니까 주어진 이미지가 고양이인지 강아지인지 분류(classification)를 해야하고 그리고 위치(localization) 정보(x,y,w,h)도 추론(regression)할 수 있어야해서 2개의 task가 합쳐있다고 볼 수 있다.
그래서 이 task의 특징은 두 가지의 목적을 갖는 loss 형태를 띄고 있다. 1) classification loss: BCE, softmax 등 2) regression loss: MSE, L1
⚪ R-CNN의 발전 과정
🟡 핵심 아이디어
“이미지 전체⭐를 무작정 훑지 말고, ‘객체가 있을 만한 후보 영역(Region Proposal)’들만 뽑아서 CNN으로 분류하자!”
🟡 (1) R-CNN (Regions with CNN Features). 2014
“일단 후보부터 뽑고, 하나씩 CNN 돌려보자” - Region Proposal -> Feature Extraction -> Classification & Bounding Box Regression - 느린 속도, 복잡한 학습과정(SVM, CNN, BB Regressor)
🟡 (2) Fast R-CNN, 2015
“CNN은 한 번만! 피처맵에서 특징을 뽑자” - 통합 Feature Extraction -> Region Proposal -> RoI Pooling -> 통합 예측기
🟡 (3) Faster R-CNN, 2015
“후보 뽑는 것까지 딥러닝으로! - Region Proposal Network (RPN) 도입 -> Anchor Box 개념 -> NMS (Non-Maximum Suppression)을 통해 최종 ROI 선별 -> Fast R-CNN Detector - 완전한 End-to-End 학습
🟣 마치며
그 동안 R-CNN이라는 패러다임에 대해서 진지하게 생각해보지 않았지만 object detection이라는 개념을 처음으로 공부하고자 한다면 R-CNN의 발전 과정을 한번 훑고 가는게 매우 좋을 듯 싶다