Object Detection_1. 개념

Object Detection

Object(s)의 분류 뿐만 아니라 위치를 찾아내는 것

 

-Localization: 단 하나의 Object 위치를 Bounding box로 지정하여 찾음

-Object Detection: 여러 개의 Object들에 대한 위치를 Bonding box로 지정하여 찾음

-Segmentation: Detection보다 더 발전된 형태로 Pixel 레벨 Detection 수행

 

Localization과 Detection은 Object 위치를 Bounding box로 찾고(1), 판별(2)한다

(1)찾고: Bounding box regression(box의 좌표값을 예측)

(2)판별: Classification

두 문제가 합쳐져 있다

 

주요 구성 요소

-영역 추정(Region Proposal)

-Detection을 위한 Deep Learning 네트웍 구성(Feature Extraction & Network Prediction)

-Detection을 구성하는 기타 요소(IOU, NMS, mAP, Anchor box)

 

난제

-Classification + Regression을 동시에 해야 함(물체 분류+위치 찾기)

-다양한 크기와 유형의 오브젝트가 섞여 있음(크기, 생김새 다양할 때)

-명확하지 않은 이미지(배경이 더 많은 비중이던가, 물체가 명확하지 않을 때)

-중요한 Detect시간(실시간 영상 등 Detect시간이 중요할 때)

-데이터 세트의 부족(훈련 가능한 데이터 세트가 부족)

 

이를 알고리즘마다 어떻게 해결했는가?

---

Object Localization

원본 이미지->Feature Extrator->Feature Map->FC Layer->Soft max Class score

 

이미지에서 두 개 이상의 Object를 검출해야 할 때, 이미지의 어느 위치에서 Object를 찾아야 하는가?

1. 슬라이딩 윈도우 방식

-Window를 왼족 상단부터 오른쪽 하단까지 이동시키면서 Object를 Detection한다(Window의 크기와 형태를 바꾸거나, Window를 고정하고 scale을 변경한 이미지를 사용하던가 등등..)

-Object Detection의 초기 기법으로 활용

-오브젝트 없는 영역도 무조건 슬라이딩 한다

-여러 형태의 Window와 여러 Scale을 가진 이미지를 스캔해서 검출해야 하므로 수행 시간이 오래 걸리고 검출 성능이 상대적으로 낮다

-Region Proposal(영역 추정) 기법 등장으로 활용도는 떨어졌지만 Object Detection의 기술적 토대를 제공하였다

 

2. Region Proposal(영역 추정) 방식

-Object가 있을 만한 후보 영역을 찾는다

-원본 이미지->Object가 있을 만한 후보 Bounding Box선택->최종 Object Detection 도출

 

2-1. Selective Search

-Region Proposal의 대표 방법

-빠른 Detection과 높은 Recall 예측 성능을 동시에 만족하는 알고리즘(잘 찍어 준다ㅎ)

-컬러, 무늬(Texture), 크기(Size), 형태(Shape)에 따라 유사한 Region을 계층적 그룹핑 방법으로 계산

 

다시 말해 Selective Search의 수행 프로세스는 다음과 같다

1. 개별 Segment된 부분들을 Bounding box로 만들어서 Region Proposal 리스트로 추가(오브젝트가 될 만한 부분들을 간추림)

2. 컬러, 무늬, 크기, 형태에 따라 유사도가 비슷한 Segment들을 그룹핑, Segmentation(분류)한다

3. 1~2번을 반복한다. 처음에는 Segment들이 자잘하게 많이 나눠지지만 반복할 수록 큰 덩어리로 만들어지며 오브젝트와 매우 근접하게 된다