Faster R-CNN

이 글은 개인적으로 공부한 것을 정리한 내용이며 위 블로그를 참고하였다.

https://jamiekang.github.io/2017/05/28/faster-r-cnn/

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks · Pull Requests to Tomorrow

https://www.learnopencv.com/selective-search-for-object-detection-cpp-python/

Selective Search for Object Detection (C++ / Python) | Learn OpenCV

* Introduction

Object detection 계열 논문에서 자주 등장하는 용어 설명.

 

-Selective Search

image에서 obejct의 후보를 찾기 위한 알고리즘이다.

Color, texture, size, shape similarity measure를 가지고 복잡한 segmentation 결과를 grouping 한다.

R-CNN에서 처음 단계에서 실행되는 알고리즘이다.

 

-Hard Negative Mining

positive example과 negative example을 균형적으로 학습하기 위한 방법이다.

Random으로 뽑지 않고 confidence score가 가장 높은 순서로 뽑은 negative example을 random으로 뽑은 positive example과 함께 training set에 넣어 학습한다.

 

- None Maximum Suppression

edge Thinning 기법으로 여러 box가 겹치게 되면 가장 확실한 것만 고르는 방법이다.

 

- Bounding Box Regression

Bound box의 parameter를 찾는 regression을 의미한다. 초기의 region proposal이 CNN이 예측한 결과와 맞지 않을 수 있기 때문에 Bounding box regressor는 CNN의 마지막 pooling layer에서 얻은 feature 정보를 사용해 region proposal의 regression을 계산한다. 뒤에서 소개할 R-CNN에서 bounding box regressor가 등장한다.

* Faster R-CNN

Region Proposal Network(RPN)를 도입한다. RPN은 region proposal을 만드는 network이다.

Fast R-CNN은 network 밖에서 selective search로 region proposal을 만들기 때문에 느리다는 단점이 있었다. 이번 Faster R-CNN에서는 region proposal을 만드는 곳을 내부(GPU계산)으로 가져와 속도를 빠르게 한다. RPN은 Conv Layer 바로 다음에 위치하고 그 후 ROI pooling, classifier, bounding box regressor가 위치한다.